A OpenAI executou um pipeline autônomo de pesquisa de vulnerabilidades que alterou as dimensões de escala da cibersegurança em projetos de código aberto. Em uma varredura finalizada em outubro de 2026, um modelo cibernético ainda não lançado comercialmente analisou a ramificação principal do kernel Linux. O sistema identificou, reproduziu e gerou correções para 948 falhas críticas de escalonamento de privilégios locais (LPE).
A operação completa consumiu 1,2 milhão de dólares em créditos de API, executando de forma automatizada uma carga de trabalho que, pelos métodos tradicionais, exigiria a dedicação prolongada de equipes de engenharia reversa. O diferencial técnico do projeto foi ultrapassar a fase de análise estática. A inteligência artificial gerou provas de conceito, testou as explorações em ambientes isolados e escreveu códigos (exploits) perfeitamente funcionais para obter acesso de administrador (root).
A arquitetura estrutural do pipeline de pesquisa
O kernel Linux contém mais de 40 milhões de linhas de código. Submeter todo esse volume a uma auditoria profunda por inteligência artificial geraria custos inviáveis. Para otimizar o processamento, a OpenAI fragmentou a tarefa em cinco estágios independentes e delegou cada etapa a agentes com funções específicas.
Mapeamento, descoberta e redução de escopo
O primeiro passo consistiu em mapear a superfície de ataque. Agentes de reconhecimento, batizados de Scout, navegaram pelos diretórios do sistema buscando alvos de alta prioridade. O critério de seleção exigia que a seção de código fosse relevante para a segurança e pudesse ser acessada por usuários com permissões limitadas.
A triagem isolou 5.034 alvos em potencial, englobando 2,8 milhões de linhas de código. Esse volume representa cerca de 7% de todo o kernel. O processo de filtragem demonstrou alta eficiência financeira, custando 3.426 dólares.
Com os alvos definidos, agentes analistas processaram o código para compreender os modelos de ameaça e procurar falhas lógicas ou problemas de manipulação de memória. Em apenas 12 horas, o sistema apontou 2.308 anomalias candidatas, consumindo 316.549 dólares na interface de programação.
Validação em ambiente virtualizado
A análise estática tende a apontar falsos positivos ou cenários inalcançáveis na prática. Para confirmar quais daquelas ameaças eram genuínas, agentes de triagem iniciaram a redação de provas de conceito (PoCs). Os testes ocorreram em máquinas virtuais isoladas rodando uma versão do kernel equipada com a ferramenta de diagnóstico Kernel Address Sanitizer (KASAN).
A inteligência artificial observava o comportamento do sistema após cada teste, lia as saídas de erro no console e refinava o código automaticamente. Ao final de 30 horas, o pipeline provocou falhas reproduzíveis de corrupção de memória em 1.724 casos. A precisão dos analistas mostrou-se notável, uma vez que apenas 3,1% dos relatórios iniciais representavam condições impossíveis de serem atingidas. A etapa de confirmação teve custo de 73.330 dólares.
Criação de exploits para defesas modernas
Para dimensionar a gravidade das descobertas, agentes focados no desenvolvimento de exploits (ExploitDev) assumiram as provas de conceito validadas. A tarefa deles era romper as barreiras de uma distribuição Linux configurada com as mitigações padrão do mercado, incluindo Supervisor Mode Execution Prevention (SMEP), Supervisor Mode Access Prevention (SMAP), Kernel Address Space Layout Randomization (KASLR) e HARDENED_USERCOPY.
A máquina produziu resultados contundentes contra essas defesas, entregando 291 provas de conceito para vazamento de informações e 948 exploits LPE funcionais para concessão de acesso root.
O grau de dificuldade técnica determinou o custo computacional. A exploração de vazamentos de dados consumiu, em média, 271 dólares por vulnerabilidade. O escalonamento de privilégios exigiu contornos mais elaborados, elevando o custo unitário para 558 dólares. Falhas altamente sensíveis ao tempo, como condições de corrida (race conditions), demandaram maior esforço analítico, custando até 3.922 dólares nos casos em que a IA precisou interromper as tentativas por exaustão do orçamento estipulado.
A viabilidade econômica frente ao mercado de zero-day
Os custos operacionais do projeto confirmam que a automação cibernética já opera de forma lucrativa na balança da pesquisa de segurança. O processamento integral entregou cada exploit LPE perfeitamente validado por um custo médio de 1.279 dólares.
Competições profissionais de cibersegurança e programas de recompensas, como Pwn2Own e TyphoonPWN, oferecem pagamentos que variam entre 20 mil e 70 mil dólares por um exploit documentado de escalonamento de privilégios no Linux. Caso as descobertas deste experimento fossem negociadas nesses programas, o valor bruto gerado ficaria entre 18,9 milhões e 66,3 milhões de dólares.
A equipe submeteu o mesmo pipeline ao ambiente kernelCTF mantido pelo Google. Essa plataforma de desafio utiliza uma versão modificada do Linux, com a superfície de ataque drasticamente reduzida. Ainda assim, a ferramenta construiu 21 exploits LPE válidos a um custo computacional de 32.936 dólares. Se encaminhadas ao programa oficial do Google, essas vulnerabilidades resultariam em um prêmio aproximado de 1,5 milhão de dólares.
Técnicas inéditas de ataque e redução de orquestração
O projeto registrou um intervalo curto de evolução nas capacidades da inteligência artificial. Em um teste similar conduzido em julho de 2026, o modelo GPT-5.6 Sol localizou 166 vulnerabilidades LPE. O novo modelo cibernético analisou a mesma base três meses depois e identificou quase seis vezes mais falhas. Analistas de segurança encaram esse desempenho não como uma novidade teórica, mas como a aplicação de engenharia reversa humana operando em escala industrial.
Um ponto fundamental da pesquisa foi a validação do potencial criativo da IA. O sistema não se limitou a reciclar métodos conhecidos ou identificar padrões históricos de erro. Especialistas da OpenAI examinaram uma amostragem de 166 exploits e atestaram a presença de 10 técnicas de exploração jamais registradas na documentação pública do Linux.
O acervo de métodos inéditos engloba duas formas de pulverização de objetos persistentes no cache do kernel, duas técnicas exclusivas de organização de páginas (page grooming) para estabilizar invasões, uma anomalia de confusão de tipos (type confusion) e cinco mecanismos baseados puramente na manipulação de dados para contornar proteções ou viabilizar gravação arbitrária de memória.
Houve ainda uma mudança na relação de dependência com a estrutura externa. Para ter sucesso com modelos da geração GPT-5.5, a equipe precisava carregar o agente em um ambiente contendo manuais com mais de 100 técnicas catalogadas de invasão. O novo modelo prescinde desse suporte intensivo, apresentando capacidade de selecionar as táticas corretas e orquestrar as abordagens de forma quase independente.
Resposta da comunidade e descobertas infraestruturais
A última camada do pipeline encarregou-se da correção. Após sucessivas rodadas de testes, a IA aprendeu a desenvolver patches diretos, alinhados à formatação rigorosa da documentação do kernel e abrangentes o suficiente para mitigar variações da mesma falha.
A velocidade das atualizações open source mostrou-se igualmente eficiente. Ao término dos 10 dias em que a IA realizou o processamento completo das falhas, grande parte da superfície de risco já estava recebendo atenção dos desenvolvedores humanos. O ecossistema independente do Linux já havia fechado 61 falhas LPE apontadas no relatório, consolidado correções provisórias para outras 43 na área de testes e levado cerca de 300 eventos para discussão pública nas listas da comunidade.
A autonomia do sistema de exploração provocou um resultado secundário notável durante as etapas do kernelCTF. Um agente encarregado de investigar o código de entrada de chamadas do sistema (syscalls) acabou causando o congelamento do ambiente virtual.
Ao processar o travamento inesperado, a IA identificou que o ponto de falha não pertencia ao kernel Linux, mas sim ao emulador QEMU TCG, que suportava toda a infraestrutura virtual. Ignorando a ausência do código-fonte do QEMU no escopo inicial, a ferramenta destrinchou a vulnerabilidade pelas saídas de erro e orientou a criação de um exploit funcional. Uma posterior verificação humana revelou que o problema já havia sido solucionado na versão oficial (upstream) do QEMU, mas o ambiente de testes do kernelCTF estava rodando uma versão anterior, atestando o risco prático de infraestruturas de desenvolvimento desatualizadas.
