Modelos de decisão de IA chegam ao SOC: o que muda no triagem de alertas
Modelos de decisão de IA prometem triagem de alertas barata e auditável. Entenda Jev, Decisions API e por que o contexto ainda decide o resultado.
Resumo: Uma nova categoria de modelos de IA, chamada de modelos de decisão, começou a ser lançada em setembro e outubro de 2026 por empresas como TypeSafe AI, OpenAI e Cribl, prometendo triagem de alertas de segurança mais barata e auditável. A questão central é que a qualidade do veredito depende menos do modelo e mais das evidências e do contexto organizacional que alimentam cada alerta.
Pontos-chave
- Modelos de decisão devolvem escolha, score ou probabilidade em vez de texto
- O Jev, da TypeSafe AI, é anunciado a US$ 42 por bilhão de tokens de entrada
- 51% das máquinas com infecção ativa já haviam sido marcadas como mitigadas pelo EDR
- Quase 1% dos incidentes reais vieram de alertas de baixa severidade
- Contexto organizacional precisa ser aprendido continuamente, não comprado
Nesta matéria
O que são modelos de decisão e por que surgiram agora?#
Em vez de gerar texto, esses modelos recebem um estado do ambiente e um conjunto de perguntas tipadas. Devolvem uma escolha, uma pontuação ou um sim/não com probabilidade associada.
A TypeSafe AI lançou o Jev em 15 de setembro e o descreveu como um modelo System One, referência ao pensamento rápido descrito por Kahneman. A OpenAI apresentou sua Decisions API no DevDay e abriu beta público em 6 de outubro.
A Cribl publicou o cribl-decision, um adaptador LoRA aberto que roda localmente. Outras iniciativas, como a Laya, já aparecem em ferramentas de código aberto. A notícia é relevante agora porque essa categoria saiu do zero para o mercado em cerca de um mês.
- Saída fixa: escolha, score ou probabilidade
- Sem geração de texto livre
- Modelos voltados a decisões automatizáveis
Por que esses modelos encaixam na triagem de alertas?#
O primeiro motivo é operacional: uma probabilidade calibrada permite definir limites. Um alerta com probabilidade acima de 0,97 pode ser fechado automaticamente; abaixo de 0,6, tratado como possível incidente; o meio fica para análise humana.
A TypeSafe AI sugere limites mais rígidos para ações irreversíveis, o que separa decisões como desativar uma conta de outras como apenas comentar um chamado.
O segundo motivo é custo. O Jev é anunciado a US$ 42 por bilhão de tokens de entrada, com respostas entre 70 e 500 milissegundos. Em um cenário de 450 mil alertas por ano e alguns milhares de tokens por alerta, a conta do modelo ficaria na casa das centenas de dólares anuais.
- Limiares automatizáveis com base em probabilidade
- Custo baixo por alerta, segundo o fornecedor
- Cada veredito fica registrado e pode ser reproduzido
O que significa dizer que um modelo de decisão não alucina?#
Quando fornecedores afirmam que esses modelos não alucinam, querem dizer que a saída sempre respeita o esquema definido. Isso não garante que a resposta esteja correta.
A calibração também é uma promessa sobre distribuição. Dizer 90% significa acertar cerca de 90% das vezes em entradas parecidas com aquela. Se a entrada é apenas o título e a severidade do alerta, o modelo não sabe nada sobre o host.
O próprio cartão de modelo da Cribl admite que o modelo pode ser confiante demais e é sensível à forma como o prompt e os candidatos são redigidos.
- Saída válida no esquema não equivale a veredito correto
- Calibração depende do tipo de entrada recebida
- Sensibilidade à redação do prompt é um risco real
Por que a severidade do alerta engana o modelo?#
Dados do AI SOC Report 2026, citados na notícia, cobrem 25 milhões de alertas triados em 2025. Desses, 82 mil passaram por varredura de memória ao vivo, e cerca de 2.600 máquinas tinham infecção ativa.
Em 51% dessas máquinas infectadas, o EDR já havia reportado o caso como mitigado. Um modelo calibrado veria “malware detectado, ameaça em quarentena, baixa severidade” e fecharia o alerta com confiança. O modelo acertaria; a entrada estaria errada.
A severidade repete o problema em escala maior: quase 1% dos incidentes reais vieram de alertas de severidade mais baixa. Com 450 mil alertas anuais, isso representa cerca de 54 ameaças reais, aproximadamente uma por semana.
- Status de quarentena pode mascarar infecção ativa
- Quase 1% dos incidentes reais vieram de alertas de baixa severidade
- Evidência de memória expõe o que o arquivo isolado esconde
O que é Security Context Engineering na prática?#
A notícia usa o termo Security Context Engineering para descrever o trabalho de transformar um alerta em um conjunto de fatos antes de qualquer decisão, humana ou automatizada.
Entre as evidências forenses estão a árvore de processos, a linha de comando completa, o script em disco, o comportamento do arquivo detonado em sandbox, chamadas de rede, arquivos criados e uma varredura de memória ao vivo.
Famílias como Mimikatz, Meterpreter e Cobalt Strike vivem na memória, justamente onde o status de arquivo em quarentena não enxerga. Coletar isso para todo alerta em menos de um minuto é a parte difícil.
- Árvore de processos e linha de comando completa
- Detonação em sandbox e análise de rede
- Varredura de memória para payloads sem arquivo
Por que o contexto organizacional não pode ser comprado?#
Evidência forense mostra o que aconteceu na máquina, mas não se aquilo é esperado naquela empresa. Dados de 2025 citados na notícia mostram que 74% dos alertas de identidade foram classificados como provavelmente benignos.
Alertas de viagem impossível só se confirmaram como comprometimento real em cerca de 2% dos casos, e o uso de VPN respondeu por cerca de 30% deles. Um modelo não sabe que o analista sênior conhece o comportamento do usuário do financeiro.
Esse conhecimento específico não pode ser comprado e envelhece rápido, porque ativos, usuários e ferramentas mudam toda semana. Por isso precisa virar um ciclo: aprender com casos passados, buscar contexto ao vivo durante a investigação e gravar a conclusão de volta.
- 74% dos alertas de identidade foram vistos como provavelmente benignos
- Viagem impossível confirmou comprometimento em cerca de 2% dos casos
- Contexto organizacional decai e exige atualização contínua
O que isso muda para quem usa IA#
A lição prática é que o modelo de decisão resolve a última etapa com baixo custo e trilha auditável, mas não substitui a coleta de evidências nem o conhecimento do ambiente.
Para quem constrói pipelines de triagem, o esforço de engenharia deve ir para as evidências e para a memória organizacional, que são difíceis de obter e se acumulam com o tempo. A Invision oferece acesso a vários modelos de IA por uma chave só, o que ajuda a testar diferentes abordagens sem trocar de integração a cada experimento.
Perguntas frequentes
O que é um modelo de decisão de IA?
É um modelo que não gera texto: recebe um estado e perguntas tipadas e devolve uma escolha, uma pontuação ou um sim/não com probabilidade. Exemplos citados são o Jev, da TypeSafe AI, a Decisions API, da OpenAI, e o cribl-decision, da Cribl.
Modelos de decisão podem alucinar?
Eles não produzem saída fora do esquema definido, mas uma resposta bem formatada ainda pode estar errada. A calibração depende do tipo de entrada, e o cartão de modelo da Cribl admite risco de excesso de confiança e sensibilidade ao texto do prompt.
Por que a severidade do alerta não basta para triagem?
Quase 1% dos incidentes reais vieram de alertas de severidade mais baixa, e 51% das máquinas com infecção ativa já haviam sido marcadas como mitigadas pelo EDR. O modelo pode acertar com base na entrada, mas a entrada pode estar incompleta.
O que é Security Context Engineering?
É o trabalho de reunir evidências e contexto antes de decidir: árvore de processos, linha de comando, detonação em sandbox, rede, memória ao vivo e histórico da organização. O termo é atribuído a Filip Stojkovski na notícia.
Qual o custo de usar modelos de decisão em triagem?
O Jev é anunciado a US$ 42 por bilhão de tokens de entrada. Em um cenário de 450 mil alertas anuais com alguns milhares de tokens cada, o custo do modelo ficaria na casa das centenas de dólares por ano, segundo a notícia.
Fonte original: AI Decision Models and Their Impact on AI SOC Platforms (The Hacker News). Matéria escrita pela redação da Invision a partir dessa notícia. Versão em texto.