Resumo rápido: O Project Glasswing é a iniciativa da Anthropic que reúne grandes empresas para encontrar vulnerabilidades críticas com IA antes que atacantes façam isso. A proposta é forte, mas não mágica: funciona melhor quando entra em processos de segurança já maduros, com validação humana, triagem clara e correção rápida.
O Project Glasswing virou um marco porque, após um mês, a Anthropic e cerca de 50 parceiros disseram ter encontrado mais de 10.000 vulnerabilidades de alta ou crítica severidade em software importante. É muita coisa. E o ponto não é só o número: é a velocidade com que IA defensiva começou a mexer no trabalho de segurança.
A tese é simples. Se modelos avançados conseguem procurar falhas em escala, empresas precisam aprender a usar essa capacidade antes que grupos ofensivos façam o mesmo com menos cuidado. Anthony Grieco, SVP e Chief Security & Trust Officer na Cisco, afirma: “The question is simply who gets ahead of it and how fast.”
Aqui na Yaitec, a gente olha para esse tema com interesse prático, não como manchete bonita. Depois de 50+ projetos em fintech, healthtech, e-commerce e outras áreas, nós aprendemos que IA só cria valor quando entra num fluxo operacional com dono, métrica e regra de parada. Sem isso, vira alerta demais. E alerta demais cansa.
O que é o Project Glasswing e por que ele importa?
O Project Glasswing é uma coalizão liderada pela Anthropic para aplicar IA avançada na descoberta, reprodução e priorização de vulnerabilidades em software crítico. Segundo a Anthropic, o projeto foi lançado em 7 de abril de 2026 com AWS, Apple, Broadcom, Cisco, CrowdStrike, Google, JPMorganChase, Linux Foundation, Microsoft, NVIDIA, Palo Alto Networks e outros parceiros, além de acesso ampliado para mais de 40 organizações de software crítico.
Segundo a Anthropic, o Project Glasswing começou em abril de 2026 com grandes empresas de tecnologia e até US$ 100 milhões em créditos do Claude Mythos Preview, além de US$ 4 milhões em doações diretas para segurança open source.
O que muda, na prática? Antes, muitas equipes dependiam de scanners, pentests pontuais e revisão manual altamente especializada. Tudo isso continua necessário. Só que um modelo treinado para raciocinar sobre exploração de falhas pode testar hipóteses em massa, explicar caminhos de ataque e ajudar mantenedores a separar ruído de risco real.
A limitação é importante: IA não substitui um time de AppSec bom. Ela acelera a fila. Alguém ainda precisa confirmar impacto, coordenar disclosure, corrigir código e impedir regressão.
Como o Project Glasswing usa IA para achar falhas críticas?
O Project Glasswing usa o Claude Mythos Preview, um modelo ainda não lançado publicamente pela Anthropic, para analisar código, reproduzir vulnerabilidades e apoiar correções em projetos sensíveis. Segundo a Anthropic, o Mythos Preview marcou 83,1% no benchmark CyberGym de reprodução de vulnerabilidades, contra 66,6% do Claude Opus 4.6. Esse é um dado forte, embora seja um benchmark de fornecedor.
Segundo a Anthropic, o Claude Mythos Preview atingiu 83,1% no CyberGym em 2026, enquanto o Claude Opus 4.6 ficou em 66,6%, indicando ganho relevante na reprodução de vulnerabilidades.
A parte útil está na reprodução. Encontrar um padrão suspeito é uma coisa; provar que ele pode virar falha real é outra. Em segurança, falso positivo custa caro porque rouba tempo de engenheiros escassos.
Um fluxo mínimo fica assim:
from dataclasses import dataclass
@dataclass
class Finding:
package: str
severity: str
exploitable: bool
confidence: float
def prioritize(findings: list[Finding]) -> list[Finding]:
severity_rank = {"critical": 4, "high": 3, "medium": 2, "low": 1}
valid = [f for f in findings if f.exploitable and f.confidence >= 0.75]
return sorted(valid, key=lambda f: (severity_rank.get(f.severity, 0), f.confidence), reverse=True)
findings = [
Finding("auth-service", "critical", True, 0.91),
Finding("billing-api", "high", False, 0.88),
Finding("parser-lib", "high", True, 0.79),
]
for item in prioritize(findings):
print(item.package, item.severity, item.confidence)
Esse exemplo é simples, mas mostra a disciplina necessária: a IA pode levantar achados, porém a fila precisa de severidade, confiança e prova de exploração. Sem triagem, o time trava.
Quais números mostram o tamanho do problema?
A pressão por segurança de software cresceu porque vulnerabilidades já são uma das principais portas de entrada em incidentes reais. Segundo o Verizon 2026 DBIR, 31% das violações começam com vulnerabilidades de software, tornando exploração de falhas o principal vetor inicial de acesso. Curto e direto: código vulnerável virou caminho preferido.
Segundo o Verizon 2026 DBIR, 31% das violações começam com vulnerabilidades de software, enquanto 48% envolvem ransomware e 15% das técnicas de ataque já recebem reforço de IA generativa.
A Mandiant chegou a uma leitura parecida. Segundo o Google Cloud M-Trends 2026, exploração de vulnerabilidades foi o principal vetor inicial pelo sexto ano seguido, respondendo por 32% das intrusões em 2025. O mesmo relatório disse que o tempo médio de repasse entre acesso inicial e um segundo grupo criminoso caiu de mais de 8 horas em 2022 para 22 segundos em 2025.
Vinte e dois segundos.
Esse número muda a conversa dentro de empresa. Não dá mais pra tratar correção crítica como backlog normal, empurrado para a próxima sprint sem critério. A janela ficou curta, e a coordenação entre segurança, engenharia e produto precisa ser menos teatral e mais operacional.
O que os benchmarks e casos reais já indicam?
Os primeiros resultados do Project Glasswing sugerem que IA pode melhorar a descoberta de falhas, mas também mostram por que validação independente continua essencial. Segundo a Anthropic, mais de 1.000 projetos open source foram analisados, com 23.019 vulnerabilidades estimadas, incluindo 6.202 de alta ou crítica severidade.
| Referência | Resultado reportado | O que dá pra concluir |
|---|---|---|
| Anthropic, maio de 2026 | 23.019 vulnerabilidades estimadas em mais de 1.000 projetos | Escala alta de varredura e priorização |
| Anthropic, maio de 2026 | 90,6% de verdadeiros positivos entre 1.752 achados avaliados | Boa precisão nos casos revisados |
| Anthropic CyberGym 2026 | Mythos Preview com 83,1%, Opus 4.6 com 66,6% | Ganho em reprodução de falhas |
| Mozilla, abril de 2026 | Firefox 150 corrigiu 271 vulnerabilidades vindas da avaliação | Aplicação prática em produto real |
| DARPA AI Cyber Challenge, 2025 | 54 de 63 falhas sintéticas descobertas, 43 corrigidas | Agentes podem achar e corrigir em escala controlada |
Segundo a Mozilla, o Firefox 150 incluiu correções para 271 vulnerabilidades identificadas durante sua avaliação com Claude Mythos Preview, comparado a 22 bugs sensíveis de segurança em uma colaboração anterior com Claude Opus 4.6.
Esse tipo de avanço é animador. Só que a gente precisa ler com calma. O recorte avaliado por firmas de segurança e pela própria Anthropic teve 90,6% de verdadeiros positivos, mas isso não significa que toda saída do modelo seja confiável sem revisão. Em produção, confiança sem processo vira risco.
Cinco lições práticas do Project Glasswing
O Project Glasswing deixa um recado claro para empresas brasileiras: IA em segurança precisa virar processo, não projeto de vitrine. Segundo a Black Duck, 65% das organizações pesquisadas sofreram ataque à cadeia de suprimentos de software no ano anterior, e 67% já usavam assistentes de código com IA. A mistura é potente. Também é perigosa.
Segundo a Black Duck 2026 OSSRA, 65% das organizações pesquisadas sofreram ataque de cadeia de suprimentos no ano anterior, enquanto 67% já usavam assistentes de código com IA em seus ambientes.
1. Comece por software crítico
Não tente varrer tudo de uma vez. Escolha sistemas com dados sensíveis, autenticação, pagamentos, integrações externas ou dependências open source muito usadas. Foi assim que vimos melhor resultado em clientes regulados.
2. Exija prova reproduzível
Um achado sem reprodução deve entrar em fila separada. Quando implementamos RAG para um cliente fintech, reduzimos tickets de suporte em 40% em 3 meses porque a base tinha evidência rastreável; em segurança, a lógica é parecida.
3. Separe descoberta de correção
A IA pode sugerir patch. Ainda assim, revisão humana e testes de regressão são obrigatórios. Nosso time de 10+ especialistas já viu correções “certas” quebrarem contrato de API em produção.
4. Meça tempo até correção
O indicador que importa não é volume de achados. É tempo entre descoberta, confirmação, patch e deploy. Depois de 50+ projetos, aprendemos que métrica mal escolhida incentiva teatro.
5. Não trate IA como autoridade final
Nikesh Arora, CEO da Palo Alto Networks, afirma: “The model is not the solution yet, it will exacerbate the problem.” Concordo com a cautela. Sem governança, IA aumenta velocidade nos dois lados.
Como empresas brasileiras podem aplicar essa lógica?
Empresas brasileiras podem aplicar a lógica do Project Glasswing começando por inventário de código, dependências, dados sensíveis e rotas críticas de negócio. Não precisa comprar a ferramenta mais cara no primeiro mês. Precisa saber onde mora o risco, quem decide prioridade e qual SLA vale para vulnerabilidade crítica.
Segundo a Sonatype, o consumo de open source chegou a 9,8 trilhões de downloads em 2026, alta de 67% em um ano, enquanto malware open source passou de 1,233 milhão de pacotes.
A gente recomenda um piloto de 30 a 45 dias com escopo estreito: um repositório crítico, uma lista de dependências, uma ferramenta de SAST, um modelo de IA para triagem e um ritual semanal com engenharia. Parece pouco. Funciona.
Quando implementamos uma esteira de processamento documental para um cliente jurídico, automatizamos 80% da revisão de contratos e economizamos 120 horas por mês, mas só depois de definir exceções e pontos de revisão humana. Segurança segue a mesma regra. A IA ajuda muito onde o processo já tem dono.
Amy Herzog, VP e CISO na AWS, afirma: “Security isn’t a phase for us; it’s continuous and embedded in everything we do.” Essa frase deveria estar na parede de qualquer squad que mexe com software crítico.
Quando vale buscar apoio especializado?
Vale buscar apoio especializado quando a empresa já tem código crítico, uso relevante de open source, pressão regulatória ou uma fila de vulnerabilidades que cresce mais rápido do que o time consegue tratar. Segundo a Gartner, o gasto final de usuários com segurança da informação deve chegar a US$ 244 bilhões em 2026 e a US$ 322 bilhões até 2029.
Segundo a Gartner, o gasto global de usuários finais com segurança da informação deve chegar a US$ 244 bilhões em 2026, sinal de que empresas estão tratando risco cibernético como prioridade operacional.
Na Yaitec, nós usamos Claude, LangChain, LangGraph, CrewAI e Agno em projetos reais, sempre com avaliação de risco e medição de resultado. Quando implementamos um sistema de conteúdo com IA para marketing, alcançamos 10x mais produção com notas de qualidade consistentes; o aprendizado foi simples: automação sem critério editorial piora o resultado. Com segurança, o risco é maior.
Se sua empresa quer testar essa abordagem com critério, o caminho natural é começar por uma conversa sobre consultoria Claude. E, se o caso ainda estiver nebuloso, dá pra fale conosco com o contexto técnico atual. A gente prefere começar pequeno, medir, ajustar e só então ampliar.
O Project Glasswing aponta o próximo padrão de segurança
O Project Glasswing aponta para um novo padrão: segurança de software assistida por IA, com validação humana e correção rápida. A ideia não é trocar especialistas por modelo. É dar aos especialistas uma forma de procurar falhas em escala parecida com a velocidade dos atacantes. Tom Gallagher, VP Engineering no Microsoft MSRC, afirma: “Cybersecurity is no longer bound by purely human capacity.”
Segundo a Forrester, o gasto global com cibersegurança deve chegar a US$ 302,5 bilhões em 2029, com CAGR de 14,4% entre 2024 e 2029, reforçando a demanda por defesa mais rápida.
O Brasil deve prestar atenção agora, não depois. Bancos, healthtechs, varejo, ERPs regionais e SaaS B2B dependem de pacotes open source, APIs e integrações que mudam toda semana. O Project Glasswing mostra um rumo possível: combinar IA forte, disclosure responsável, priorização por impacto e times humanos no controle.
A promessa é grande. A disciplina precisa ser maior.
