Resumo rápido: O Project Glasswing mostrou que modelos de IA já conseguem achar falhas graves em escala: mais de 10.000 vulnerabilidades severas nos primeiros parceiros e expansão para cerca de 200 organizações. O ganho é real, mas só funciona com triagem humana, governança, patching rápido e limites claros de acesso.
O Project Glasswing virou um marco porque, nas primeiras semanas, a Anthropic e cerca de 50 parceiros encontraram mais de 10.000 falhas de severidade alta ou crítica em software essencial. Dois números assustam. Em 2 de junho de 2026, o programa passou a cobrir aproximadamente 200 parceiros em mais de 15 países.
A gente olha pra isso com interesse e cautela. Depois de 50+ projetos, nós aprendemos que IA boa não substitui processo ruim, só deixa o gargalo mais visível. Em segurança, esse gargalo quase sempre aparece entre descoberta, validação, correção e deploy.
Nosso time de 10+ especialistas trabalha com LangChain, LangGraph, CrewAI e Agno em sistemas de IA em produção. Já vimos agentes excelentes gerarem valor. Também vimos alertas bonitos virarem fila parada.
Por que o Project Glasswing mudou a segurança?
O Project Glasswing mudou a conversa porque tirou a IA defensiva do campo de demonstração e colocou o tema em código crítico, com parceiros como AWS, Apple, Cisco, Google, Microsoft, NVIDIA e Linux Foundation. Segundo a Anthropic, em 22 de maio de 2026, Claude Mythos Preview achou mais de 10.000 falhas de severidade alta ou crítica entre os parceiros iniciais do Project Glasswing.
Isso importa porque a economia da exploração muda quando um modelo consegue ler bases grandes, formular hipóteses, testar caminhos e sugerir patches. Rápido demais.
Amy Herzog, VP and CISO at AWS, states: "Security isn't a phase". A frase parece simples, mas bate no ponto certo: varredura anual, auditoria isolada e checklist de compliance não acompanham esse ritmo. A defesa precisa entrar no ciclo de desenvolvimento, no backlog e na esteira de release, ou a organização só troca vulnerabilidade conhecida por vulnerabilidade atrasada.
O que é o Project Glasswing e como funciona?
O Project Glasswing é uma iniciativa da Anthropic para dar acesso controlado ao Claude Mythos Preview a organizações que mantêm software crítico. Segundo a Anthropic, em 7 de abril de 2026, o programa nasceu com parceiros de infraestrutura, tecnologia, bancos, segurança e open source, além de até US$ 100 milhões em créditos de uso e US$ 4 milhões em doações para segurança open source.
Na prática, o modelo procura vulnerabilidades, ajuda a criar provas de conceito defensivas, apoia revisão de código e sugere correções. Mas não é uma licença pra rodar IA sem freio. O acesso é limitado, revisado e focado em defesa, porque a mesma capacidade que acha uma falha pode explicar como explorá-la.
A limitação honesta: esse tipo de IA não resolve inventário ruim, dono de sistema indefinido ou pipeline que demora semanas pra publicar correções. Quando implementamos RAG para um cliente fintech, reduzimos tickets de suporte em 40% em 3 meses, mas o resultado só veio porque havia dono claro para base de conhecimento, métricas e melhoria contínua.
Como o Project Glasswing compara IA e scanners?
Scanners tradicionais continuam úteis. A diferença é que modelos como Claude Mythos Preview conseguem raciocinar sobre fluxo, contexto e cadeias de exploração, enquanto muitas ferramentas clássicas detectam padrões conhecidos. Segundo a Anthropic via Help Net Security, em maio de 2026, a análise de 1.000+ projetos open source encontrou 23.019 issues, incluindo 6.202 vulnerabilidades altas ou críticas.
| Critério | Scanner tradicional | IA tipo Mythos Preview |
|---|---|---|
| Melhor uso | CVEs conhecidas, dependências, configuração | Lógica complexa, cadeias de bug, revisão contextual |
| Saída típica | Alerta, regra, severidade | Hipótese, explicação, caminho de correção |
| Risco | Falso positivo em volume | Uso dual, explicação sensível, confiança excessiva |
| Gargalo | Priorização | Validação e governança |
| Papel humano | Triar alertas | Confirmar, corrigir, limitar e auditar |
Cloudflare descreveu a diferença de forma direta. Cloudflare states: "The reasoning it shows… looks like the work of a senior researcher". Eu não trataria isso como substituição de pesquisador sênior. É mais parecido com multiplicar a fila de achados que bons pesquisadores precisam revisar, com a vantagem de chegar mais cedo em cantos que ferramentas comuns não enxergam.
Mozilla e Cloudflare mostram resultados concretos
Os casos públicos ajudam a separar sinal de hype. Segundo o Mozilla Blog, em 21 de abril de 2026, o Firefox 150 saiu com correções para 271 vulnerabilidades identificadas durante a avaliação inicial com Claude Mythos Preview. É um número grande, especialmente num navegador usado por milhões de pessoas e com décadas de código acumulado.
Segundo a Cloudflare, em maio de 2026, a empresa testou Mythos Preview em repositórios internos e relatou cerca de 2.000 bugs, incluindo aproximadamente 400 de severidade alta ou crítica. A própria Cloudflare também chamou atenção para a qualidade dos achados, não só para a quantidade.
Aqui mora o detalhe que muita diretoria ignora: achar bug é só metade da história. A outra metade é confirmar impacto, abrir ticket correto, corrigir sem quebrar produção e medir tempo até deploy. Quando implementamos uma pipeline de processamento documental para um cliente jurídico, automatizamos 80% da revisão de contratos e poupamos 120 horas por mês. Mesmo assim, mantivemos revisão humana nos pontos de maior risco. Em segurança, eu faria o mesmo.
5 Sinais de maturidade para usar IA em segurança
IA defensiva exige maturidade operacional antes de escala. Segundo a Black Duck, em março de 2025, 86% das aplicações avaliadas continham componentes open source vulneráveis, e 81% tinham vulnerabilidades de risco alto ou crítico. Ou seja: a base já tá frágil, e um modelo poderoso pode apenas revelar um passivo que a empresa não sabe tratar.
Depois de 50+ projetos, a gente aprendeu que o sucesso vem menos do modelo escolhido e mais da disciplina em volta dele. LangGraph pode organizar agentes. CrewAI pode dividir papéis. Agno pode acelerar protótipos. Nada disso compensa ausência de inventário, logs ruins ou ambiente sem dono. Antes de comprar uma ferramenta inspirada no Project Glasswing, procure estes sinais.
1. Inventário vivo de código e dependências
Sem SBOM, dono por serviço e mapa de dependências, a IA encontra coisas que ninguém sabe priorizar. Comece pelo básico.
2. Critério claro de severidade
CVSS ajuda, mas impacto de negócio conta muito. Uma falha média em pagamento pode merecer urgência maior que uma crítica em sistema isolado.
3. Esteira de patch testável
Correção sem teste vira aposta. Pior: aposta em produção.
4. Revisão humana obrigatória
Modelos erram. Eles também podem exagerar impacto, sugerir patch parcial ou ignorar efeito colateral.
5. Métrica de tempo até correção
Segundo a Anthropic, um bug alto ou crítico encontrado pelo Mythos Preview leva em média duas semanas para ser corrigido. Meça isso no seu ambiente.
Quando a IA defensiva vira risco operacional?
A IA defensiva vira risco quando a empresa trata achado como verdade, coloca ferramenta sensível nas mãos erradas ou deixa relatórios de exploração circularem sem controle. Segundo a Anthropic, em 2 de junho de 2026, a expansão do Project Glasswing incluiu setores como energia, água, saúde, comunicações, hardware, fornecedores, organizações sem fins lucrativos e infraestrutura ligada a governos.
Esse alcance é necessário. Também é perigoso. CrowdStrike states: "Frontier models raise the ceiling for both offense and defense". A frase resume o dilema: o mesmo salto que acelera defesa pode baixar o custo de ataque caso capacidades parecidas vazem ou cheguem sem proteção adequada.
Eu recomendo três controles mínimos: acesso por função, logging de prompts e saídas, e revisão de achados antes de qualquer compartilhamento externo. Parece burocracia. Não é. É controle de material sensível. A gente já viu times de produto tratarem relatórios técnicos como documentos comuns, e isso não funciona quando o relatório descreve caminho de exploração.
Como aplicar Project Glasswing em empresas brasileiras?
Empresas brasileiras não precisam esperar acesso ao Mythos para agir. Segundo a IBM, no Cost of a Data Breach Report 2026, o custo médio global de uma violação chegou a US$ 4,99 milhões, alta de 12% ano contra ano, enquanto ataques guiados por IA cresceram 56%. Isso já justifica revisar processos agora.
Comece pequeno: escolha um sistema crítico, conecte repositório, dependências, histórico de incidentes e política de severidade, depois rode análise assistida por IA com revisão humana. Em seguida, mande só achados validados para Jira, GitHub Issues ou GitLab, sempre com dono e prazo.
Um exemplo simples de priorização em Python:
from dataclasses import dataclass
@dataclass
class Finding:
service: str
severity: str
internet_facing: bool
has_poc: bool
WEIGHTS = {"critical": 100, "high": 70, "medium": 35, "low": 10}
def risk_score(finding: Finding) -> int:
score = WEIGHTS[finding.severity]
if finding.internet_facing:
score += 25
if finding.has_poc:
score += 30
return score
findings = [
Finding("payments-api", "high", True, True),
Finding("admin-panel", "critical", False, False),
]
for item in sorted(findings, key=risk_score, reverse=True):
print(item.service, risk_score(item))
Quando implementamos um sistema de conteúdo com IA para marketing, a produção de blog cresceu 10x com notas consistentes de qualidade. A lição vale aqui: automação boa precisa de critério, amostragem e auditoria.
Como a Yaitec ajuda nessa preparação?
A Yaitec ajuda empresas a transformar IA em processo de produção, não em experimento solto. Em 50+ projetos para fintech, healthtech, e-commerce e outras áreas, vimos que o melhor ponto de partida costuma ser um diagnóstico curto: quais sistemas são críticos, quais dados podem ser analisados, qual stack já existe e onde a validação humana entra.
Nosso time de 10+ especialistas tem 8+ anos de experiência com sistemas de ML em produção, usando LangChain, LangGraph, CrewAI e Agno quando eles fazem sentido. A satisfação média dos clientes é 4,9/5, mas eu ainda faço a mesma ressalva em toda conversa: IA não conserta governança ausente.
Se sua empresa quer avaliar agentes de IA para segurança, triagem de vulnerabilidades, revisão de código ou automação de patching, fale com a gente pelo canal certo: fale conosco. A conversa começa melhor quando já existe um sistema piloto, uma métrica de risco e um limite claro para o que a IA pode ou não pode fazer.
Conclusão: defesa com IA precisa de governança
O Project Glasswing aponta o futuro da segurança: descoberta de falhas em escala, triagem mais rápida e correções assistidas por modelos capazes. Segundo a NIST NVD API, a base de 2025 somava 49.972 CVEs publicadas, contagem agregada em 1 de setembro de 2026. Esse volume não combina mais com processos manuais lentos.
Mas a conclusão não é "coloque IA em tudo". A conclusão correta é mais exigente: prepare inventário, donos, testes, revisão e política de acesso antes de aumentar a potência da ferramenta. OpenAI states: "Software vulnerabilities are a systemic risk". Concordo. E risco sistêmico pede resposta sistêmica.
Para empresas brasileiras, o melhor movimento agora é pragmático: escolher um escopo crítico, medir tempo de correção, usar IA para apoiar descoberta e patching, e manter humanos responsáveis por decisões de impacto. Pequeno primeiro. Sério sempre.
Fontes
- Anthropic — acessado em 01/09/2026
