Intensivo Grátis 21–22/11Intensivo gratuito de 2 dias em Vibecoding (21–22/11 às 16:00 MSK) · Turma 3 começa 23/11Inscrever-se grátis →Turma 3 (23/11)
LançamentoCódigo / SDK · Pronto p/ usoGitHub Blog→ original

GitHub e Microsoft reduzem milhares de achados de IA a 99 relatórios com patches, e mais da metade já foi corrigida

Os mantenedores de projetos open source estão soterrados por relatórios de bugs gerados por IA, e cada um precisa ser verificado manualmente. No piloto Codename MDASH, GitHub e Microsoft reduziram milhares de achados brutos a 99 relatórios privados verificados, com proposta de correção, para seis projetos. Não se trata de um "tem algo suspeito aqui", mas de um bug com patch que pode ser aceito de uma só vez. Mais da metade já foi corrigida, o que mostra que o valor da busca por IA está nos bugs resolvidos, e não no número de achados.

Processado por IA de GitHub Blog; editado por Hamidun News
GitHub e Microsoft reduzem milhares de achados de IA a 99 relatórios com patches, e mais da metade já foi corrigida
Fonte: GitHub Blog. Colagem: Hamidun News.
Ouvir artigo
Ficha técnica e números-chave
ParâmetroDados
Fonte originalGitHub Blog ↗
Editor-chefe
Dado-chave #1De milhares de achados brutos da IA, só 99 chegaram aos mantenedores
Dado-chave #2Os relatórios são privados, e cada um traz uma proposta de correção
Dado-chave #3O piloto abrangeu seis projetos open source amplamente utilizados

Imagine que você mantém uma biblioteca open source popular. De manhã, o rastreador tem uma dezena de novos relatórios de erros, muitos escritos por uma rede neural, e não está claro quais deles são reais. Quem precisa verificar e corrigir tudo isso são os mantenedores, as pessoas que sustentam o projeto.

GitHub e Microsoft propuseram uma abordagem diferente e divulgaram os resultados do piloto Codename MDASH. A IA encontrou milhares de problemas brutos em seis projetos abertos amplamente utilizados. Só 99 relatórios chegaram aos mantenedores.

Eles foram verificados, enviados de forma privada e trazem uma proposta de correção. Mais da metade desses problemas já foi corrigida pelos mantenedores. A ideia é simples: em vez de uma mensagem do tipo "talvez haja uma brecha nesta função", a pessoa recebe um bug confirmado e um rascunho de patch.

O que o piloto mostrou

Os números do anúncio são curtos, mas reveladores. De milhares de achados brutos da IA, restaram 99. É um funil em que a maior parte do resultado foi descartada antes de chegar ao rastreador de outra pessoa. Os relatórios em si não foram publicados: foram repassados de forma privada, ou seja, por um canal fechado. Cada um veio acompanhado de uma proposta de solução.

Para o mantenedor, a diferença é concreta. Um relatório bruto precisa ser lido, reproduzido e então fechado ou corrigido por conta própria. Um relatório verificado, com patch, pode ser revisado, aceito ou ajustado de uma só vez. O resultado do piloto: mais da metade dos problemas repassados já foi corrigida.

Por que isso importa

A sobrecarga dos mantenedores cresce não por falta de bugs, mas pelo excesso de relatos mal verificados. Quando é um modelo que cria o relatório, produzi-lo custa quase nada. Já a análise continua custando o tempo de uma pessoa. Por isso, apostar em "ainda mais achados" só piora a situação.

No MDASH, a verificação e a preparação da correção acontecem antes do envio. Com isso, parte do trabalho passa para o lado de quem envia o relatório. A métrica de sucesso aqui é clara: quantos problemas foram de fato resolvidos, e não quantos foram encontrados.

O que levar disso

Se você desenvolve ferramentas de busca de bugs ou vulnerabilidades baseadas em IA, conte o número de problemas corrigidos, não o de achados. Essa é uma métrica que também faz sentido para os usuários.

Se você é mantenedor ou responde por open source em uma empresa, exija três coisas de relatórios automáticos: reprodutibilidade, canal privado para problemas sensíveis e proposta de patch. Um relatório sem esses itens é melhor tratado como rascunho.

Se você é product manager, observe o padrão: "filtro mais entrega até o resultado" vale mais do que um simples "gerador". A atenção do usuário é limitada, e protegê-la faz parte do produto.

Limitações

O piloto é pequeno: seis projetos e 99 relatórios. Isso não prova que o esquema escala para milhares de repositórios com processos diferentes. O anúncio não diz quanto tempo humano foi gasto na verificação dentro das equipes do GitHub e da Microsoft, então não é possível avaliar a economia completa da abordagem. Além disso, "corrigido" não significa necessariamente que "o patch proposto foi aceito sem alterações": os mantenedores podem ter reescrito a solução à sua maneira.

Ainda assim, a direção é clara. O próximo passo para a IA na segurança de open source é sair do fluxo de sinais e chegar a tarefas encerradas. Para um ecossistema sustentado por mantenedores, isso é mais útil do que mais uma centena de "problemas potenciais".

História

Perguntas frequentes sobre a notícia

O que o piloto mostrou?

Os números do anúncio são curtos, mas reveladores. De milhares de achados brutos da IA, restaram 99. É um funil em que a maior parte do resultado foi descartada antes de chegar ao rastreador de outra pessoa. Os relatórios em si não foram publicados: foram repassados de forma privada, ou seja, por um canal fechado. Cada um veio acompanhado de uma proposta de solução. Para o mantenedor, a diferença é concreta. Um relatório bruto precisa ser lido, reproduzido e então fechado ou corrigido por conta própria.

Por que isso importa?

A sobrecarga dos mantenedores cresce não por falta de bugs, mas pelo excesso de relatos mal verificados. Quando é um modelo que cria o relatório, produzi-lo custa quase nada. Já a análise continua custando o tempo de uma pessoa. Por isso, apostar em "ainda mais achados" só piora a situação. No MDASH, a verificação e a preparação da correção acontecem antes do envio. Com isso, parte do trabalho passa para o lado de quem envia o relatório.

O que levar disso?

Se você desenvolve ferramentas de busca de bugs ou vulnerabilidades baseadas em IA, conte o número de problemas corrigidos, não o de achados. Essa é uma métrica que também faz sentido para os usuários. Se você é mantenedor ou responde por open source em uma empresa, exija três coisas de relatórios automáticos: reprodutibilidade, canal privado para problemas sensíveis e proposta de patch. Um relatório sem esses itens é melhor tratado como rascunho.

ZK
Zhemal Khamidun — CPO da Alpina Digital, gerente de produto do AlpinaGPT. Cria produtos de IA desde 2019. O Hamidun News é um projeto pessoal que virou um agregador em produção com mais de 6.000 leitores.
✦ Unified AI Workspace · Nomad

Test Frontier LLMs & Autonomous Agents in One Workspace

Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.

Try Nomad AI →Launch Nomad Agent
O que você acha?
Carregando comentários…