Agentes da Cogent com GPT-6.1 Sol reduzem em 75% o tempo de correção de vulnerabilidades

Quem já trabalhou com segurança sabe: encontrar uma vulnerabilidade é só metade do trabalho. Os scanners apontam centenas de ocorrências todos os dias, e então começa a parte mais trabalhosa: descobrir quem é responsável pelo serviço, o que depende dele, se é possível atualizar uma biblioteca sem interrupções e quem precisa aprovar a mudança. Segundo a Cogent, é justamente nessa etapa que tudo fica parado. A startup desenvolve para grandes empresas «fábricas de ciberdefesa»: conjuntos de agentes de IA que percorrem todo o caminho, da investigação à correção verificada.

Primeiro o contexto, depois os agentes

A base do sistema é o Context Engine. Para cada cliente, ele mantém um grafo de conhecimento com ativos, vulnerabilidades, contas, responsáveis e dependências. Agentes em segundo plano cruzam continuamente os dados das ferramentas de segurança para que os agentes de investigação e correção trabalhem com a mesma visão do ambiente. O CTO Geng Sng chama isso de «memory harness para empresas»: uma estrutura de memória que dispensa redescobrir como a infraestrutura funciona a cada nova tarefa. Como efeito adicional, há menos latência, menos gastos com inferência e menos divergências nas respostas.

Um exemplo simples: são divulgadas as brechas críticas PHP2Shell no PHP. Em vez de procurar manualmente onde a empresa executa PHP, os agentes percorrem o grafo: identificam os sistemas afetados, avaliam o quanto estão acessíveis a um invasor e elaboram um plano que considera as dependências das aplicações e as restrições operacionais. Depois, executam as correções conforme o processo acordado com o cliente e verificam se a brecha foi realmente fechada. Para investigação e planejamento, a Cogent usa GPT-6.1 Sol e GPT-6 Astra.

A permissão para agir fica em uma camada separada

O ponto mais interessante para engenheiros é como a Cogent lida com a possibilidade de um agente causar falhas. As alterações permitidas e as exigências de aprovação são descritas nas Agent Policies. O mecanismo TRACE verifica cada chamada de ferramenta em relação a essas regras antes da execução, com verificações determinísticas que dispensam uma chamada adicional ao modelo. Acima dele está o Agent Gateway, que verifica a autorização de forma independente, enquanto tarefas arriscadas são executadas em sandboxes isoladas. O cliente escolhe o modo de operação: apenas investigação, alterações com aprovação humana ou correção autônoma limitada.

Vale guardar o princípio: a segurança de um agente não deve depender de o modelo ter entendido corretamente uma instrução. As regras ficam no código, não no prompt.

Economia: modelos diferentes para tarefas diferentes

A Cogent distribui o trabalho por complexidade. O GPT-6.1 Sol cuida da execução geral e das investigações mais exigentes, enquanto o GPT-5.6 assume tarefas rotineiras de gestão de vulnerabilidades que não exigem raciocínio aprofundado. Quando se colocam «enxames» de agentes em operação, o preço dos tokens rapidamente se torna a principal despesa, e esse roteamento deixa de ser uma otimização para virar uma necessidade.

A Cogent também afirma que, com a API da OpenAI, precisou escrever menos código de integração: a plataforma assume boa parte do roteamento de solicitações e da orquestração de agentes. A maioria dos engenheiros escreve código no Codex, porque ele já oferece ferramentas prontas. Nas pesquisas internas, a equipe usa os programas Trusted Access for Cyber e Daybreak, incluindo o nível Daybreak Red, com modelos especializados em análise ofensiva autorizada. O objetivo é entender como vulnerabilidades podem ser encadeadas por meio de contas, recursos e restrições de rede.

O que merece ser visto com cautela

Trata-se de um caso de cliente publicado no blog da OpenAI, e não de um estudo independente. Os números — redução de 75% no tempo médio de correção de vulnerabilidades críticas em uma montadora da Fortune 1000 e aumento de 5 vezes na capacidade de triagem de um integrador de TI da Fortune 500 — são informados pela própria Cogent, sem metodologia nem indicadores de referência. Os clientes não são identificados, com exceção da MarketAxess, que fala de priorização de riscos, sem apresentar métricas.

As alegações de menos alucinações e melhor custo em relação a outros fornecedores também não vêm acompanhadas de benchmarks. A correção totalmente autônoma ainda está nos planos: a proposta é avançar de ajustes simples de configuração para fluxos de várias etapas que envolvam diferentes sistemas.

O que aplicar na prática

Para quem desenvolve agentes para infraestrutura, DevOps ou segurança, o caso traz três lições. Primeira: invista na camada de contexto — um grafo de ativos, responsáveis e dependências oferece mais aos agentes do que uma troca de modelo. Segunda: implemente políticas e autorização em código determinístico, fora do modelo, e isole as ações arriscadas. Terceira: preveja o roteamento entre modelos desde o início, ou a conta dos agentes pode trazer uma surpresa desagradável. Já os números de eficiência sem verificação independente devem, por enquanto, ser tratados como marketing.