Tech & IA

"Não foi ataque, foi o conserto": a IA acha falhas mais rápido do que o mundo consegue corrigir. Ela pode ajudar a programar sem errar?

Autoridades dos EUA atribuem a série de quedas de sistemas de novembro a correções feitas às pressas para falhas que a IA encontrou. Entenda o que caiu, por que tanta correção de uma vez e se a mesma IA pode ajudar a escrever código certo e a checar a lógica dos programas.

Fileiras de servidores em racks de um data center, com luzes azuis acesas
Imagem: Victor Grigas / Wikimedia Commons, CC BY-SA 3.0
Nota de transparência: esta matéria foi produzida com apoio de IA da Anthropic, e a Anthropic é parte direta desta história. O modelo Claude Mythos Preview, da empresa, é uma das principais ferramentas que vêm encontrando falhas de segurança em massa em 2026, por meio do Project Glasswing. As reportagens sobre as quedas de novembro não dizem quais ferramentas acharam as falhas corrigidas às pressas. A matéria também cita pesquisas da própria Anthropic sobre como a IA pode checar código. Há, portanto, um conflito de interesse que o leitor deve conhecer: procuramos apresentar os números da empresa com atribuição clara e ao lado de críticas e dados independentes.

Novembro de 2026 foi um mês de telas fora do ar nos Estados Unidos. Aviões ficaram no chão, bancos tiveram problemas de acesso, o e-mail corporativo da Microsoft caiu. Muita gente desconfiou de um grande ataque hacker. A explicação que começa a aparecer em Washington é outra, mais banal e, talvez, mais inquietante: não foi o ataque, foi o conserto.

O que caiu

Segundo reportagens do Wall Street Journal e do TechCrunch, citadas pelo HuffPost e por outros veículos, a lista de problemas de novembro inclui:

  • FAA: a agência de aviação proibiu todas as decolagens do país por mais de quatro horas em 13 de novembro. A investigação apontou para a falha de um roteador durante uma atualização (o RUNF9 contou essa história aqui).
  • Microsoft: Outlook, Teams e Copilot tiveram problemas por quase dois dias, segundo o TechCrunch. A empresa falou em "defeito técnico".
  • Bancos e empresas: o JPMorgan Chase teve falhas de acesso, e o WSJ cita também Workday, Apple, Apple Pay e United Airlines.
  • Governo: a NSA, agência de inteligência americana, relatou degradação de uma rede sigilosa durante uma manutenção planejada, e a rede interna de comunicações da NASA também foi afetada, segundo o WSJ.

As datas e causas de cada caso não foram detalhadas de forma consistente, e nenhum relatório oficial atribuiu uma causa única a todos eles.

O que Washington ouviu

  • A explicação dos bastidores: segundo o jornal Washington Sun, executivos de bancos e a NSA disseram a parlamentares que as quedas vieram de correções feitas às pressas para falhas descobertas por inteligência artificial. Um funcionário do Congresso disse ao jornal que as empresas estão tentando aplicar correções demais de uma vez, mais do que os sistemas foram feitos para aguentar. Ressalva: o relato se baseia em fontes anônimas.
  • A versão do governo: segundo a Semafor, a Casa Branca atribui as quedas a empresas que correm para corrigir redes enquanto a IA expõe falhas em software antigo. Especialistas ouvidos pelo site dizem que o governo está, em grande parte, falando a verdade, e alertam que mais instabilidade vem por aí.
  • O alerta do Senado: o senador democrata Mark Warner escreveu que a IA encontra falhas a uma velocidade sem precedentes, o que põe uma enorme pressão sobre sistemas que não foram feitos para mudar nesse ritmo.
  • Um contraponto: nem tudo foi conserto. A empresa de energia norueguesa Equinor disse ter sofrido, sim, um ciberataque, segundo o site The Hill.
  • O próximo passo: os senadores Maria Cantwell, democrata, e Mike Rounds, republicano, pediram ao diretor de Inteligência Nacional um esforço nacional contra ameaças cibernéticas movidas a IA. Segundo a Semafor, a segurança cibernética da IA deve virar prioridade quando o Congresso voltar, em janeiro.

Por que tanta correção de uma vez

Em 2026, achar falhas deixou de ser o difícil. Ferramentas de IA passaram a varrer códigos inteiros atrás de brechas, em velocidade que nenhuma equipe humana alcança.

O caso mais conhecido é o Project Glasswing, lançado pela Anthropic em abril com empresas como Amazon, Apple, Google, Microsoft, Cisco e JPMorgan Chase. Segundo um relatório da Cloud Security Alliance (CSA), uma entidade do setor de segurança, que cita dados da própria Anthropic:

  • No primeiro mês, os parceiros do projeto encontraram mais de 10 mil falhas de gravidade alta ou crítica.
  • De abril a julho, 33 parceiros relataram ao menos 129 mil falhas verificadas, e a Anthropic estima que o número real seja bem maior.
  • Em outubro, das 6.157 falhas comunicadas pela empresa a projetos de código aberto, só 516, cerca de 8%, constavam como corrigidas.

A CSA chama isso de "gargalo da divulgação": a descoberta acelerou, mas a correção continua em ritmo humano. Alguns mantenedores, muitas vezes voluntários, chegaram a pedir que as falhas fossem comunicadas mais devagar. Enquanto isso, as regras apertaram: nos EUA, uma diretiva da agência de cibersegurança CISA exige que as falhas mais graves sejam corrigidas em três dias.

Juntando tudo: milhares de falhas novas, prazos curtíssimos e sistemas antigos, alguns com décadas de idade. É a receita para uma correção mal testada derrubar justamente o que deveria proteger.

A IA pode ajudar a não programar errado?

Essa é a pergunta que fica. Se a IA acha os erros, ela também pode ajudar a não cometê-los, e a checar se a lógica de um programa está certa? A resposta honesta é: pode, mas não sozinha, e não do jeito mais comum de usar.

O lado ruim: a IA que escreve código também escreve falhas.

  • Segundo o relatório 2026 da empresa Veracode, que testou mais de 100 modelos, o código gerado por IA passou em média em apenas 56% dos testes de segurança. Ou seja: em cerca de 44% das tarefas, o código saiu com uma falha conhecida.
  • O dado mais incômodo é que esse número quase não mudou desde o primeiro relatório: os modelos ficaram melhores em fazer o código funcionar, mas não em fazê-lo seguro. Hoje, segundo a Veracode, eles quase nunca erram a sintaxe.
  • Ressalvas: a Veracode vende ferramentas de análise de código, e os testes usam pedidos sem nenhuma instrução de segurança. Com orientação específica, o resultado tende a melhorar.

O lado bom: a IA como revisora, não como autora.

  • Achar e corrigir. O Google diz ter criado ferramentas, como o Big Sleep e o CodeMender, para encontrar e consertar falhas. A Anthropic afirma que o Mythos descobre, reproduz e corrige vulnerabilidades reais.
  • Provar que a lógica está certa. Um teste mostra que o programa funciona nos casos que alguém lembrou de testar. Uma prova matemática, a chamada verificação formal, mostra que ele funciona em todos os casos previstos na especificação. Por ser cara e exigir especialistas raros, essa técnica sempre ficou restrita a sistemas como aviões e trens.
  • A novidade de 2026. Em outubro, a Anthropic e a empresa Theorem publicaram um experimento em que o Claude escreveu provas para 123 bibliotecas de código aberto. No processo, encontrou centenas de falhas, algumas que tinham escapado por anos de testes automáticos feitos em escala gigantesca, e corrigiu os erros antes de provar que o código não travava. A própria empresa ressalta os limites: "verificado" não quer dizer "sem erros", porque a prova vale só para as condições que foram modeladas.
  • A pesquisa acadêmica vai na mesma linha. Um estudo ainda não revisado por pares mostrou agentes de IA escrevendo software de segurança em Ada/SPARK, uma linguagem feita para provas, com custo de supervisão humana de 20 a 40 vezes menor que o da verificação manual.

O que isso significa na prática:

  • Pedir testes, não só código. Uma IA que escreve a função e também os testes, incluindo os casos de erro, é muito mais útil do que uma que só entrega o código.
  • Pedir revisão de segurança explicitamente. Os modelos melhoram quando a segurança faz parte do pedido.
  • Usar provas onde o erro custa caro: bancos, saúde, energia, transporte.
  • Não pular a etapa humana. A IA acelera a revisão, mas alguém precisa entender o que vai para o ar.
  • Testar a própria correção. É a grande lição de novembro: atualizar aos poucos, primeiro em uma parte dos sistemas, com um plano para voltar atrás se algo der errado. Uma correção também é código, e também pode ter falhas.

O futuro distópico: o remendo que derruba a cidade

Na virada para o ano 2000, o mundo temia o "bug do milênio", e uma enorme força-tarefa de programadores corrigiu os sistemas antes da virada. Agora o desafio é parecido, mas sem data marcada e sem fim: a cada dia, máquinas encontram falhas novas, e humanos correm para consertá-las em sistemas que ninguém entende por completo.

  • A corrida das máquinas. Se a IA de quem defende acha a falha hoje, a de quem ataca pode achar a mesma amanhã. Quem corrige devagar fica exposto; quem corrige rápido demais derruba o próprio sistema.
  • O legado que ninguém lembra como funciona. Muito da infraestrutura crítica roda sobre software com décadas de idade. Cada correção apressada é uma mexida às cegas.
  • A esperança é a mesma tecnologia. Se a IA também ajudar a escrever código que já nasce verificado, a corrida pode mudar de lado. Mas isso exige uma escolha: usar a máquina para conferir, e não só para produzir mais rápido.

Foi esse mundo que imaginamos no jogo Hackerismo: A Noite do Apagão, em que tudo o que tem chip em São Paulo sai do controle numa só noite. Era ficção. A diferença é que, na vida real, o apagão pode vir do conserto.

Leia também no RUNF9: Culparam a IA, depois um roteador: o que ainda não fecha no apagão que parou o céu dos EUA; Uma IA feita para proteger sistemas virou arma: o ataque que travou a Comissão Europeia por dez dias; e A primeira invasão sem humanos: o ataque feito por IA que o Google flagrou.

Fontes

  1. Exclusive: Outages trigger congressional scrutiny of AI-enabled attacks — Semafor
  2. AI-Driven Patches Widely Blamed For Recent System Outages — HuffPost (via AOL)
  3. The Disclosure Bottleneck: When AI Discovery Outpaces Patch Consumption — Cloud Security Alliance
  4. Project Glasswing — Anthropic
  5. 2026 GenAI Code Security Report — Veracode
  6. Formal verification at scale — Anthropic