O artigo propõe o SecODD, um framework de governança em tempo de execução para agentes de Defesa Cibernética Autônoma que adapta o conceito de Operational Design Domain usado na regulação de veículos autônomos. Ele define o escopo autorizado de ações defensivas automatizadas, modela quando a intervenção humana precisa permanecer possível, e especifica condições auditáveis de devida diligência por meio de um 'Mitigation Safe Harbor', apoiado em quatro requisitos técnicos: logging à prova de adulteração, orquestração com humano no loop, playbooks de rollback e controles de transição para estado seguro.
Fonte ↗O 'Automated Compliance Engine' integra o IDS Suricata a um fluxo LangGraph de cinco estagios com RAG para mapear alertas de intrusao automaticamente aos controles do NIST SP 800-53 e, em seguida, gerar e implantar regras de bloqueio via SSH. Em laboratorio controlado, o sistema detectou 100% de oito ataques simulados sem falsos positivos, mas os proprios autores alertam que a validacao em ambiente real ainda e necessaria.
Fonte ↗Um novo benchmark que reproduz um SIEM real mostrou que cinco estrategias representativas de agentes LLM para triagem de alertas de seguranca erram pelo menos 40% dos alertas ligados a um ataque real de multiplas etapas. Os autores propoem o AIDA, um framework multiagente com desafio adversarial obrigatorio antes de descartar um alerta, que reduziu essa taxa de falsos negativos para 3,1%.
Fonte ↗Relatórios de inteligência de ameaças citados no artigo mostram que a IA generativa não cria técnicas de invasão inéditas, mas reduz drasticamente o custo de repetir etapas que antes exigiam horas de pesquisa manual, como corrigir um script de escalonamento de privilégios depois de uma tentativa falha. O texto argumenta que o verdadeiro gargalo das equipes de defesa não é tecnológico, e sim a perda de contexto entre as etapas do fluxo de um SOC, o que faz analistas reconstruírem do zero informações já apuradas em handoffs anteriores.
Fonte ↗Um levantamento sobre alertas de segurança relacionados a IA em ambientes corporativos mostra crescimento de 685% entre fevereiro e junho de 2026, mas apenas 0,02% desses alertas correspondem a ataques reais causados por agentes de IA. A grande maioria é ruído gerado por regras de detecção legadas que não reconhecem o comportamento normal de ferramentas de IA.
Fonte ↗Pesquisadores demonstraram que LLMs usados em SOCs para triagem e análise de logs podem ser manipulados por payloads de prompt injection escondidos em campos de log que ficam armazenados e só "disparam" quando um analista consulta o modelo depois. No framework LogInject, testado contra três LLMs de produção, o ataque atingiu até 88,2% de taxa de sucesso ao tentar ocultar atividade maliciosa, gerar falsos positivos, exfiltrar dados ou sequestrar a resposta do modelo.
Fonte ↗O trabalho avalia agentes de IA de segurança sob uma lente de custo, comparando desempenho ofensivo (desafios Cybench) e defensivo (investigações Splunk BOTS v1) em níveis fixos de orçamento de inferência, em vez de apenas o melhor resultado possível com gasto ilimitado. A conclusão central é que capacidade ofensiva melhora consistentemente com mais computação — permitindo que modelos open-weight bem escalados cheguem perto de sistemas proprietários de ponta — enquanto o desempenho defensivo em SOC depende mais de uso disciplinado de ferramentas e navegação de telemetria do que de força bruta de raciocínio.
Fonte ↗