Exploit do Chrome da XBOW conquistou a recompensa de US$ 250.000 do Google, mas humanos ainda tomaram as decisões críticas

A XBOW criou uma cadeia de exploit para o Google Chrome com o GPT-5.6 Sol em seis dias e afirma que o trabalho lhe rendeu a recompensa máxima de US$ 250.000 do Google. A cadeia conectou três bugs até então desconhecidos, escapou das barreiras de segurança do Chrome e executou código em um computador Windows.

Essa combinação importa mais do que a recompensa isoladamente. A XBOW estima que a campanha premiada consumiu cerca de US$ 40.000 em computação de API, enquanto um trabalho comparável antes exigia uma equipe de especialistas e vários meses. A empresa afirma que o Google reproduziu o exploit, corrigiu as três vulnerabilidades e não encontrou evidências de que invasores as tenham usado contra usuários do Chrome.

No entanto, não se tratou de um sistema autônomo recebendo um objetivo vago e comprometendo o Chrome de forma independente. Pesquisadores da XBOW selecionaram os alvos, dividiram o trabalho, revisaram os resultados, preservaram rotas alternativas e decidiram quais componentes deveriam ser combinados. O conflito central, portanto, é entre a velocidade assistida por IA e o julgamento especializado ainda necessário para transformar fraquezas dispersas em um ataque confiável.

O resultado também surge em um momento excepcionalmente sensível. A OpenAI classifica o GPT-5.6 Sol como detentor de alta capacidade em cibersegurança, mas abaixo de seu limiar crítico. As avaliações pré-lançamento concluíram que o modelo conseguia descobrir vulnerabilidades e primitivas de exploração, mas não conseguia produzir de forma independente um exploit funcional de cadeia completa contra software reforçado.

A campanha real da XBOW de fato produziu tal cadeia, mas com intensa orientação humana e um processo de pesquisa desenvolvido especificamente para esse fim. Essa diferença entre a avaliação em laboratório e a implantação orientada por especialistas é a parte mais importante da história.

O exploit do Chrome da XBOW atravessou três fronteiras de segurança

A recompensa reconheceu um caminho completo de uma página web comum até código executado fora do sandbox do renderizador do Chrome.

A XBOW divulgou o resultado em 13 de outubro de 2026. Seus pesquisadores afirmaram que a cadeia premiada foi montada entre 2 e 7 de agosto, enquanto a equipe participava da Black Hat e da DEF CON em Las Vegas.

Um exploit de cadeia completa combina várias vulnerabilidades para que cada uma vença uma camada defensiva diferente. Um bug pode corromper memória dentro de um processo do navegador, mas as demais proteções do Chrome deveriam impedir que essa corrupção alcançasse o sistema operacional. Uma cadeia bem-sucedida transforma uma posição inicial limitada em controle mais amplo.

O exploit do Chrome da XBOW continha três estágios. O primeiro visava o Maglev, um compilador de otimização dentro do V8, o mecanismo JavaScript do Chrome. O V8 normalmente restringe muitos objetos JavaScript a uma região protegida de memória chamada sandbox do V8.

Segundo a análise técnica da XBOW, o Maglev reutilizava incorretamente um número em caixa mutável durante a desotimização. A desotimização ocorre quando código otimizado precisa abandonar suposições e reconstruir objetos JavaScript comuns.

Esse erro deu ao exploit acesso de leitura e gravação em toda a região protegida de memória do V8. Era uma capacidade séria, mas ainda não fornecia execução de código nativo nem acesso além do renderizador.

O segundo estágio atacou o decodificador de WebP animado do Chrome. O decodificador armazenava em cache informações de uma imagem enquanto processava bytes que o exploit alterava por baixo dele. Isso produziu uma falha de time-of-check-to-time-of-use, em que os dados validados diferem dos dados usados posteriormente.

A XBOW afirma que essa incompatibilidade causou uma sobrescrita de memória nativa fora da região protegida do V8. A falha recebeu o CVE-2026-85045.

A equipe então transformou essa sobrescrita limitada em execução nativa dentro do renderizador do Chrome. Ela usou código WebAssembly e uma estrutura de ponteiros de código em todo o processo para redirecionar a execução sem sobrescrever diretamente uma entrada de código protegida.

O estágio final visou o Crashpad, componente de relatórios de falha do Chrome no Windows. O Crashpad opera fora do sandbox do renderizador porque precisa inspecionar processos que falharam e capturar informações de diagnóstico.

A vulnerabilidade envolvia o Crashpad confiar que um renderizador suspenso não poderia mudar durante uma leitura de memória. O Windows oferece suporte a uma opção especial de thread que pode continuar em execução enquanto a maior parte de um processo permanece suspensa.

O exploit da XBOW usou uma thread desse tipo para alterar as proteções de página entre a leitura inicial do Crashpad e sua nova tentativa. O Crashpad então copiou mais dados do que o buffer de destino comportava. A sobrescrita resultante acabou permitindo que a cadeia abrisse a Calculadora do Windows fora do sandbox do renderizador.

Essa vulnerabilidade do Crashpad recebeu o CVE-2026-78952. O anúncio da recompensa da XBOW afirma que o Google reproduziu a cadeia completa antes de lançar as correções.

A demonstração começou com uma página web e não exigia download nem clique adicional, segundo a XBOW. A empresa estima que a classe de vulnerabilidade afetada estava no caminho de cerca de um bilhão de usuários do Chrome no Windows antes da correção.

Essa estimativa de alcance vem da XBOW, não de uma avaliação independente publicada pelo Google. Ela não deve ser interpretada como evidência de que um bilhão de sistemas foram atacados ou estavam ativamente exploráveis em condições idênticas.

A XBOW afirma que as vulnerabilidades nunca foram observadas em ataques contra usuários do Chrome. A relevância está no que a prova de conceito estabeleceu: três defeitos que pareciam limitados de forma isolada podiam ser conectados em um caminho de comprometimento do Windows.

As regras de cadeia completa públicas do Google confirmam de forma independente que um exploit de conteúdo web contra uma versão ativa do Chrome pode se qualificar para um bônus de US$ 250.000. Essas regras exigem um sistema operacional compatível, mitigações de hardware atuais e um exploit funcional sem sinalizadores de depuração inseguros.

A XBOW chama sua recompensa de primeiro pagamento por cadeia completa sob as regras do Google de abril de 2026. Ela também descreve o resultado como a primeira cadeia completa do Chrome recompensada na era dos grandes modelos de linguagem. Materiais públicos do Google confirmam a categoria de recompensa, embora o Google não tenha publicado um registro de destinatários que estabeleça todas as colocações históricas.

A distinção importa. A estrutura de recompensas é verificável de forma independente, enquanto vários detalhes sobre o custo, o trabalho e a classificação histórica da campanha continuam sendo números relatados pela empresa.

Seis dias mudam a economia da pesquisa de vulnerabilidades

A evidência mais forte de mudança não é que a IA encontrou um bug, mas que um especialista conseguiu coordenar vários estágios difíceis de exploit em uma única semana.

A XBOW afirma que o desenvolvimento pré-LLM de uma cadeia completa para o Chrome poderia ocupar quatro pesquisadores por seis a nove meses. A primeira tentativa nesse projeto levou cerca de dois meses. A cadeia substituta premiada levou seis dias.

A comparação de seis dias vem dos próprios pesquisadores da XBOW, não de um estudo controlado. Projetos de exploit variam significativamente conforme o alvo, as técnicas disponíveis, a experiência dos pesquisadores e a sorte. Uma campanha bem-sucedida não pode estabelecer um multiplicador universal de produtividade.

Mesmo com essa limitação, a sequência revela uma mudança operacional relevante. A equipe não esperou que um agente resolvesse todo o problema. Ela dividiu o trabalho em campanhas paralelas que cobriam a busca por vulnerabilidades, a corrupção no V8, duas fugas de sandbox e a integração.

Agentes que executavam o GPT-5.6 Sol da OpenAI pesquisaram código-fonte, testaram hipóteses, geraram provas de conceito e redigiram componentes do exploit. Pesquisadores forneceram contexto, selecionaram áreas promissoras, rejeitaram resultados fracos e redirecionaram a busca.

Essa divisão se assemelha mais a um laboratório de pesquisa coordenado do que a uma sessão de chatbot. Os agentes expandiram o número de caminhos técnicos que a equipe podia testar, enquanto humanos experientes controlavam a alocação de recursos e a qualidade.

A campanha também usou engenharia modular. Cada estágio do exploit expunha uma capacidade definida para o estágio seguinte, e os pesquisadores mantinham alternativas para componentes importantes.

Esse projeto se tornou decisivo quando o Google informou à XBOW que uma vulnerabilidade em sua primeira cadeia já era conhecida. Um relatório duplicado geralmente perde grande parte de seu valor de recompensa porque o fornecedor já recebeu a descoberta subjacente.

Em vez de reconstruir todo o exploit, a equipe substituiu o estágio intermediário duplicado pela falha no WebP animado. Os componentes restantes continuaram funcionando porque a cadeia havia sido projetada em torno de interfaces intercambiáveis.

É aqui que a história desafia uma visão simplista de humanos contra IA. Segundo a XBOW, o GPT-5.6 Sol realizou grande parte do trabalho de busca e implementação. Pesquisadores humanos criaram a arquitetura que permitiu que esse trabalho sobrevivesse a uma colisão importante.

A XBOW reconstruiu aproximadamente US$ 40.000 em cobranças de API a partir de logs arquivados do Codex. Esse número cobre o uso do modelo na campanha premiada de seis dias, não o custo econômico total do projeto.

Ele exclui a remuneração dos pesquisadores, experimentos anteriores, a primeira cadeia rejeitada, infraestrutura, gestão e o conhecimento acumulado da XBOW em exploits. Portanto, não pode sustentar uma alegação simples de que qualquer pessoa pode comprar um comprometimento do Chrome pelo mesmo valor.

O pesquisador da XBOW Brendan Dolan-Gavitt alerta explicitamente contra essa interpretação. Sua análise diz que a equipe aplicou expertise substancial e forneceu exemplos derivados de técnicas criadas pela Native Team da XBOW.

Um exemplo foi um carregador de “island hopping”. A técnica posicionava fragmentos curtos de instruções dentro de código WebAssembly gerado e os conectava com saltos. Os agentes puderam adaptar esse trabalho anterior porque especialistas já o haviam desenvolvido e documentado.

Esse mecanismo aponta para uma vantagem competitiva mais ampla. Organizações de segurança com arquivos de exploits de alta qualidade, notas de pesquisa estruturadas, ambientes de teste reproduzíveis e revisores experientes podem fornecer melhor material inicial aos agentes de IA.

Uma base de conhecimento de engenharia torna-se mais valiosa nesse modelo. Ela pode preservar decisões, abordagens fracassadas, correções e técnicas reutilizáveis que, de outra forma, permaneceriam dispersas pelas máquinas de pesquisadores individuais.

A pressão imediata, portanto, recai sobre fornecedores de navegadores e equipes corporativas de segurança. Seu desafio já não é apenas saber se a IA consegue identificar vulnerabilidades. É saber se os defensores conseguem triar, reproduzir e corrigir descobertas tão rapidamente quanto pesquisadores assistidos por IA conseguem gerá-las.

O Google já havia ajustado seus programas para esse problema. Suas mudanças nas recompensas de 2026 enfatizam vulnerabilidades difíceis e reproduzíveis e oferecem até US$ 250.000 por uma cadeia completa de processos do navegador em sistemas atuais.

As mudanças nas recompensas reconhecem que descobertas isoladas não são equivalentes. Um relatório que mostra um caminho completo de ataque oferece evidências mais fortes sobre o risco real do que um resultado de scanner com pouco contexto.

No entanto, descobertas mais rápidas ainda podem criar um problema de volume. Fornecedores precisam distinguir relatórios exploráveis de falhas, duplicatas, falsos positivos e problemas sem impacto significativo na segurança.

A abordagem modular da XBOW intensifica essa pressão. Se um estágio colidir com um relatório existente, os pesquisadores podem substituir outro componente em vez de abandonar a cadeia. Os defensores podem enfrentar não apenas mais descobertas, mas esforços mais persistentes para conectá-las.

GPT-5.6 Sol acelerou o trabalho sem substituir o julgamento especializado

O resultado da XBOW reduz a distância entre a pesquisa assistida por IA e a exploração autônoma, mas não elimina essa distância.

A OpenAI descreve o GPT-5.6 Sol como seu modelo principal para tarefas de raciocínio de longa duração, programação e cibersegurança. Sua prévia do modelo de junho de 2026 relatou ganhos substanciais em avaliações de pesquisa de vulnerabilidades.

Essas avaliações também registraram uma limitação importante. Em testes envolvendo Chromium e Firefox, o GPT-5.6 Sol encontrou bugs e primitivas de exploração úteis, mas não montou autonomamente uma cadeia completa funcional.

Por isso, a OpenAI classificou o modelo abaixo de seu limiar crítico de cibersegurança. Um modelo crítico produziria de forma independente exploits graves de zero-day em sistemas reais reforçados ou executaria ataques inéditos a partir de um objetivo de alto nível.

O system card publicado identifica o julgamento no desenvolvimento de exploits como um gargalo persistente. Os modelos tiveram dificuldade para decidir quais pistas mereciam investimento contínuo, distinguir primitivas úteis de becos sem saída e coordenar caminhos de ataque completos.

A XBOW forneceu precisamente essas funções ausentes. Seus pesquisadores escolheram o alvo, dividiram a campanha, forneceram contexto especializado, avaliaram resultados e integraram a cadeia final.

Isso não torna trivial a contribuição do modelo. Pesquisar o código-fonte do Chrome, testar ideias de exploração e produzir os primeiros estágios funcionais são tarefas intensivas em trabalho. Comprimir essas atividades em execuções paralelas de agentes pode ampliar materialmente o alcance de um pesquisador.

Mas isso significa que a expressão “a IA criou um exploit para o Chrome” precisa de ressalvas. A descrição mais precisa é que uma equipe especializada criou uma operação de pesquisa agentiva na qual o GPT-5.6 Sol realizou boa parte do trabalho técnico iterativo.

A distinção é essencial para prever riscos. A exploração totalmente autônoma permitiria que atacantes escalassem campanhas com conhecimento especializado limitado. A automação guiada por especialistas, por outro lado, oferece os maiores ganhos a pessoas e organizações que já entendem segurança ofensiva.

Por enquanto, o conhecimento humano continua sendo um multiplicador de força. Um pesquisador precisa reconhecer uma invariante promissora do compilador, compreender o modelo de ameaças da sandbox V8 e saber como uma escrita limitada na memória pode se conectar a uma evasão de processo do Windows.

A XBOW afirma que a IA realizou a maior parte do trabalho, mas uma decisão humana preservou a campanha bem-sucedida. Construir estágios independentes com alternativas permitiu à equipe se recuperar quando o Google rejeitou o componente duplicado da primeira cadeia.

As próprias falhas técnicas também compartilhavam um padrão que favorecia o raciocínio conceitual. Cada estágio envolvia software tratando um estado mutável como se fosse fixo.

O Maglev reutilizou um objeto presumido imutável. O Blink confiou em dados de imagem transferidos que o atacante ainda podia alterar. O Crashpad presumiu que um processo suspenso permaneceria estável entre leituras de memória.

Modelos de linguagem de grande porte podem ser úteis para encontrar essas incompatibilidades porque conseguem conectar premissas documentadas em grandes bases de código e interfaces de sistemas operacionais. Ainda assim, reconhecer que três violações diferentes podem formar uma única cadeia confiável continua sendo um problema de integração de ordem superior.

A comparação com outras abordagens de segurança também importa. A análise estática tradicional examina o código-fonte em busca de padrões predefinidos. O fuzzing altera repetidamente entradas para provocar falhas ou comportamentos inconsistentes. Pesquisadores humanos desenvolvem hipóteses e transformam sinais fracos em caminhos de ataque.

Sistemas agentivos podem combinar elementos dos três. Eles podem ler código, gerar casos de teste, operar depuradores, revisar hipóteses e manter múltiplas linhas de investigação.

Sua fraqueza é que atividade não garante progresso. Agentes podem perseguir falhas impossíveis de explorar, repetir técnicas conhecidas, interpretar incorretamente limites de segurança ou produzir provas de conceito frágeis.

A descoberta duplicada do Google ilustra outra restrição. À medida que mais empresas e equipes internas de segurança usam modelos de fronteira semelhantes contra os mesmos alvos de código aberto, elas descobrirão um número crescente de bugs sobrepostos.

O gargalo então passa da descoberta bruta para novidade, explorabilidade e integração. Um modelo que identifica centenas de falhas pode gerar menos valor do que uma equipe que transforma três premissas negligenciadas em uma cadeia reproduzível.

É por isso que a principal disputa não é GPT-5.6 Sol contra hackers humanos. É entre organizações de pesquisa assistida por IA e processos de segurança concebidos em torno de uma descoberta mais lenta e predominantemente manual.

O que o Prêmio de US$ 250.000 Não Comprova

Uma cadeia validada demonstra uma capacidade séria, mas não mostra que o GPT-5.6 Sol consegue comprometer autonomamente software reforçado sob demanda.

A primeira incerteza diz respeito à atribuição. A XBOW fornece uma narrativa detalhada sobre o que agentes e pesquisadores fizeram, mas observadores externos não conseguem reconstruir a divisão exata do trabalho a partir dos materiais públicos.

Registros arquivados supostamente sustentam a estimativa de computação. Esses registros não foram divulgados como um conjunto de dados completo que pesquisadores independentes possam auditar.

“Seis dias” também descreve a campanha final, não todo o processo de aprendizagem. A XBOW começou a buscar uma cadeia completa para o Chrome no início de 2026, desenvolveu uma submissão anterior e chegou a agosto com técnicas acumuladas e familiaridade com o alvo.

A semana bem-sucedida se beneficiou desse investimento anterior. Seus agentes não começaram sem contexto, sem exemplos de exploits e sem experiência organizacional.

A segunda incerteza diz respeito à repetibilidade. Uma cadeia pode resultar de uma combinação favorável de pesquisadores fortes, bugs adequados, técnicas reutilizáveis e feedback rápido.

Um sistema repetível precisaria produzir resultados comparáveis em diferentes alvos reforçados, versões de software, sistemas operacionais e arquiteturas defensivas. As evidências públicas ainda não estabelecem esse nível de generalidade.

A XBOW prevê que agentes poderiam descobrir independentemente cada um dos três bugs dentro de um ano. Trata-se de uma afirmação prospectiva da empresa, não de uma capacidade demonstrada.

A terceira incerteza envolve custo. O gasto relatado com APIs pode parecer pequeno diante da recompensa, mas a comparação omite o custo total de desenvolvimento do sistema ao redor.

Também pressupõe que pagamentos bem-sucedidos de recompensas compensarão pesquisas malsucedidas. Relatórios duplicados, bugs já corrigidos, exploits não confiáveis e descobertas de baixa gravidade podem consumir computação substancial sem gerar receita.

O Google limita o número de bônus por cadeias completas disponíveis em seu programa de 2026. As regras públicas dizem que será pago um máximo de quatro desses bônus após a atualização de abril.

A caça a recompensas, portanto, não pode absorver pesquisa automatizada ilimitada. À medida que mais equipes usam modelos semelhantes, a concorrência por relatórios inéditos aumentará, e o retorno esperado de varreduras indiferenciadas deverá cair.

A quarta incerteza diz respeito ao acesso ao modelo e às salvaguardas. O GPT-5.6 Sol está disponível publicamente para muitos fluxos de trabalho, mas a OpenAI aplica controles de cibersegurança em camadas e oferece acordos de acesso especializados para defensores verificados.

A pesquisa autorizada da XBOW ocorreu dentro de um processo legítimo de divulgação de vulnerabilidades. Esse contexto difere do uso malicioso contra sistemas sem autorização.

As salvaguardas podem aumentar a dificuldade de abuso, mas não conseguem eliminar a capacidade subjacente de uso dual. Código aberto, ambientes locais de teste e ferramentas comuns de depuração permanecem amplamente disponíveis.

O valor defensivo é igualmente real. Fornecedores podem direcionar os mesmos sistemas ao próprio código antes do lançamento, reproduzir relatos externos com mais rapidez e explorar se descobertas isoladas podem ser encadeadas.

O perigo prático é uma assimetria na adoção. Atacantes precisam de apenas um caminho funcional, enquanto defensores devem revisar muitos aplicativos, dependências, configurações e versões.

Equipes de segurança não devem responder tratando cada relatório gerado por IA como crítico. Elas precisam de uma triagem baseada em evidências que pergunte se a falha é alcançável, reproduzível, explorável e capaz de atravessar um limite de confiança significativo.

O resultado da XBOW atingiu esse patamar porque a equipe entregou uma cadeia completa e funcional. O relatório técnico público explica cada causa-raiz e vincula as correções e os problemas do Chromium relevantes.

Para usuários, a ação imediata é mais simples. A XBOW afirma que os três bugs foram corrigidos, mas as atualizações do Chrome só entram plenamente em vigor após o navegador ser reiniciado.

Quando o Chrome exibir um botão Update, reinicie o navegador. Os usuários também devem verificar a página About Chrome caso tenham adiado uma reinicialização ou mantenham sessões do navegador abertas por longos períodos.

Esse conselho não significa que a cadeia divulgada continue ativa após a correção. Ele aborda a lacuna recorrente entre um fornecedor lançar uma correção e os usuários realmente carregarem a versão corrigida do navegador.

Três Sinais Mostrarão se a Pesquisa de Exploits com IA Está Escalando

O próximo teste é verificar se esse resultado se torna um padrão repetível entre fornecedores, equipes e alvos de software reforçado.

O primeiro sinal é outra cadeia completa confirmada de forma independente, construída por meio de um processo semelhante assistido por IA. Um segundo sucesso contra um alvo importante diferente reforçaria a tese de que a orquestração de agentes alterou os cronogramas de desenvolvimento de exploits.

As evidências deveriam incluir relatórios públicos de causa-raiz, confirmação do fornecedor, uma divisão clara do trabalho entre humanos e agentes e uma contabilização confiável do tempo total de pesquisa. Sem esses detalhes, as comparações continuarão vulneráveis a relatos seletivos.

A incapacidade de reproduzir o resultado não tornaria o exploit da XBOW para o Chrome menos importante. Ela sugeriria que a cadeia de seis dias dependeu mais fortemente de uma equipe específica, de conhecimento acumulado ou de bugs excepcionalmente compatíveis.

O segundo sinal é uma mudança mensurável nas filas de divulgação dos fornecedores. Criadores de navegadores e grandes projetos de software devem observar o número de relatórios de alta qualidade e reproduzíveis que incluem primitivas de exploração ou caminhos completos de ataque.

Um aumento apenas no volume bruto de submissões diria pouco. Sistemas de IA podem gerar ruído com a mesma facilidade com que geram descobertas. O indicador mais forte seria a presença de mais relatórios inéditos que superassem verificações de duplicidade e alcançassem remediação de alta gravidade.

A estrutura de recompensas do Google incentiva esse patamar de qualidade. O pagamento máximo está associado a uma cadeia funcional, não apenas a uma alegação automatizada de que existe código suspeito.

Se os fornecedores começarem a modificar sistemas de recebimento, expandir equipes de reprodução ou priorizar relatórios com artefatos gerados por máquinas, isso reforçaria o alerta da XBOW sobre a aceleração da pesquisa ofensiva.

Se o volume de submissões aumentar sem um crescimento correspondente de falhas validadas, o problema mais imediato será a sobrecarga de triagem, e não um salto amplo na capacidade de exploração.

O terceiro sinal é se a intervenção humana passa para etapas mais tardias do fluxo de trabalho. Na campanha da XBOW, especialistas ainda tomaram decisões estratégicas em quase todos os pontos importantes.

Um sistema mais autônomo selecionaria alvos, classificaria falhas promissoras, criaria primitivas estáveis, substituiria componentes duplicados e integraria a cadeia com orientação mínima. Isso se aproxima da capacidade que o limiar crítico da OpenAI busca capturar.

Evidências dessa autonomia reforçariam o argumento por controles de acesso mais rígidos, testes mais agressivos antes da implantação e adoção mais rápida de defesa assistida por IA. A dependência contínua de direcionamento especializado sustentaria uma conclusão mais moderada: modelos de fronteira ampliam pesquisadores qualificados antes de substituí-los.

Para equipes de software, esperar que esse debate se resolva não é uma defesa sensata. As organizações podem começar a testar as premissas que conectam componentes, especialmente quando um processo confia em dados, memória ou estado controlados por outro.

Elas também devem preservar registros de pesquisa reproduzíveis, encurtar a validação de correções e testar se descobertas de baixa gravidade podem se combinar em caminhos de maior impacto. A cadeia do Chrome se tornou perigosa porque três limites falharam em sequência.

Para usuários individuais do Chrome, a questão prática não é se o GPT-5.6 Sol merece crédito por cada etapa da exploração. É se o navegador corrigido está realmente em execução. Reinicie o Chrome quando uma atualização aparecer e torne esse hábito parte da manutenção rotineira do dispositivo.

Para líderes de segurança, a questão mais difícil é organizacional: se um especialista com agentes bem orquestrados consegue comprimir meses de trabalho de exploração em dias, sua equipe consegue reproduzir e corrigir o resultado na mesma velocidade?