Especialista da Samsung SDS destaca recuperação automática e visibilidade de ativos como pilares da segurança na era da inteligência artificial
25 de outubro de 2026 · 4 min de leitura
O mestre Cho Ji-hoon, da Samsung SDS, apresentou durante um workshop organizado pela Associação Coreana de Informação e Segurança da Informação as necessidades críticas de automação na correção de vulnerabilidades de software e na obtenção de visibilidade precisa sobre os ativos de tecnologia da informação corporativos. O evento ocorreu no campus oeste da Samsung SDS em Seul e focou nas estratégias de autorrecuperação de software em escala de inteligência artificial.
O palestrante identificou a combinação entre dívida de segurança acumulada e a automação de ataques como a causa principal do aumento recente em incidentes de segurança. Ele explicou que dívidas de segurança antigas, quando encontradas por ataques tornados baratos e rápidos pela inteligência artificial, levam a falhas operacionais. O problema é agravado pela existência de softwares sem correções, sistemas operacionais com suporte encerrado, sistemas sem código-fonte disponível e, crucialmente, pela falta de conhecimento das organizações sobre quais softwares e sistemas elas realmente possuem. Foi destacado que ambientes com separação de redes no passado podem ter gerado uma falsa sensação de segurança interna, resultando em negligência na gestão de vulnerabilidades e no acúmulo dessa dívida técnica.
A gestão de vulnerabilidades de software foi apontada como a tarefa mais urgente a ser resolvida na segurança da era da inteligência artificial. Com o aumento de casos onde ataques começam antes mesmo da divulgação pública de vulnerabilidades ou da distribuição de correções, os métodos manuais tradicionais de verificação e aplicação de patches tornaram-se insuficientes. Embora seja difícil elevar todo o processo de identificação, correção e validação à velocidade da inteligência artificial, o especialista enfatizou que acelerar esse fluxo ao máximo possível é fundamental.
Foi citado o Desafio de Cibersegurança com Inteligência Artificial da Agência de Projetos de Pesquisa Avançada de Defesa dos Estados Unidos como exemplo do nível técnico alcançado. Dados da apresentação indicam que, na final de 2025, equipes participantes analisaram automaticamente cerca de 54 milhões de linhas de código-fonte real. Desses testes, 54 de 63 vulnerabilidades sintéticas foram descobertas e correções foram aplicadas com sucesso em 43 casos. Contudo, foi feito um alerta sobre a diferença entre encontrar e corrigir falhas e garantir a segurança do software modificado.
Existe um risco significativo de falha por causa comum, onde múltiplos sistemas configurados independentemente falham juntos devido à mesma origem. Agentes de inteligência artificial que dependem de dados de treinamento ou métodos de raciocínio semelhantes podem repetir os mesmos erros. Portanto, apenas usar um agente para criar uma correção e outro para validá-la pode não ser suficiente para sistemas de alto risco. Sob a perspectiva de estruturas de gestão de riscos, é essencial assegurar consistência, repetibilidade, reprodutibilidade, independência e rastreabilidade nos resultados da validação. Isso inclui registrar não apenas o julgamento da inteligência artificial, mas também resultados de execução, ambientes de teste, versões de ferramentas e históricos de aprovação para permitir verificação objetiva por terceiros.
A Samsung SDS está desenvolvendo serviços baseados em agentes de inteligência artificial, em colaboração com a OpenAI, para automatizar a verificação de vulnerabilidades, testes de penetração e validação de design. O processo cobre desde a descoberta de candidatos a vulnerabilidade até a reprodução, geração de propostas de correção, validação do patch e aprovação final de risco. Um ponto crítico destacado foi a necessidade de testes de regressão, pois correções de segurança que causam falhas em funções existentes podem gerar problemas operacionais maiores. Para abordar isso, a empresa pesquisou o EvoFuzz para geração automática de testes unitários em Java e expandiu o estudo com o EvoLLM, que combina modelos de linguagem de grande porte. Essa abordagem divide tarefas: ferramentas existentes geram códigos de teste e garantem cobertura, enquanto os modelos de linguagem melhoram a legibilidade e a estrutura do código. Experimentos mostraram que o EvoLLM alcançou 71,9% de cobertura de linhas, 57,1% de cobertura de ramificações e pontuação de teste de mutação de 49,6%, reduzindo o uso de tokens em comparação com métodos anteriores.
Também foi discutida a complexidade da transição para criptografia pós-quântica, que exige mudanças não apenas em algoritmos, mas também em certificados, protocolos de comunicação e sistemas integrados. A Samsung SDS pesquisa a plataforma S-CAPE para identificar automaticamente o uso de criptografia através de análise estática de código, análise dinâmica de ambiente de execução e análise de pacotes de rede. Os resultados são estruturados como uma lista de materiais de criptografia para priorizar mudanças. O palestrante reforçou que a eficácia da automação de segurança depende primeiro da gestão de ativos da organização e da integração entre desenvolvimento, segurança e operações, afirmando que conhecer os próprios sistemas é o ponto de partida indispensável para a cibersegurança.