Cogent usa GPT-6.1 Sol e GPT-6 Astra para automatizar remediação de vulnerabilidades em empresas

O gargalo não é achar a falha, é corrigir ela

Time de segurança que já trabalhou com scanner de vulnerabilidade conhece o problema: a ferramenta gera milhares de alertas, mas corrigir cada um exige entender o sistema afetado, quem é dono dele, quais dependências existem e se a mudança pode derrubar algo em produção. Esse é o recorte que a Cogent Security atacou, segundo material publicado pela OpenAI (openai.com/index/cogent-security): a empresa constrói o que chama de "Cyber Defense Factories", fábricas de defesa que usam agentes de IA↳Agentes de IA42 conteúdosOpera passa a integrar ChatGPT, Claude e outros agentes de IADev (Back & Front) · mar 2026Operações mais inteligentes, decisões mais rápidas: o impacto da IA agêntica na rotina de TIAI · abr 2026Adobe aposta em orquestração de agentes de IA: o que muda para devsDev (Back & Front) · abr 2026Ver tudo em AI → para investigar, planejar e executar a correção de vulnerabilidades em escala corporativa.

A ideia central não é gerar mais um relatório de risco. É fazer o agente carregar o trabalho inteiro: da investigação inicial até a remediação verificada, incluindo a confirmação de que o risco foi de fato eliminado. Para quem mantém infraestrutura, isso muda a pergunta de "como priorizo os alertas" para "quanto do ciclo de correção eu confio para rodar sem um humano no meio".

Como o agente ganha contexto (e permissão) para agir

O componente que sustenta a autonomia é o que a Cogent chama de Context Engine: um grafo de conhecimento específico de cada cliente, com ativos, vulnerabilidades, identidades, donos e dependências. Agentes especializados ficam reconciliando esse grafo continuamente com as ferramentas de segurança já instaladas na empresa, para que os agentes de investigação e remediação enxerguem sempre a mesma versão do ambiente.

Geng Sng, cofundador e CTO da Cogent, descreve isso como um "memory harness" (camada de memória) para a empresa:

Não precisamos reaprender como o mundo é a cada nova tarefa.

Geng Sng, cofundador e CTO da CogentWe don't have to relearn what the world looks like every time a new task happens.

Reaproveitar contexto já existente, em vez de reconstruí-lo a cada chamada, reduz latência, custo de inferência e inconsistência entre execuções. Na prática é o mesmo princípio por trás de RAG aplicado a infraestrutura de segurança: o modelo raciocina melhor quando não precisa redescobrir o ambiente do zero.

A parte de controle de acesso é separada do raciocínio. As Agent Policies definem o que cada empresa permite que o agente mude e o que exige aprovação humana. O motor TRACE confere cada chamada de ferramenta contra essas políticas antes da execução, de forma determinística, sem depender de outra inferência de modelo para decidir se algo é permitido. Um Agent Gateway faz uma segunda checagem de autorização, e trabalho de maior risco roda em sandbox isolado. Esse desenho dá ao cliente três níveis de confiança possíveis: delegar só a investigação, exigir aprovação para qualquer mudança, ou permitir remediação autônoma dentro de limites definidos.

O teste real: as falhas PHP2Shell

O material cita um caso concreto: quando as falhas críticas conhecidas como PHP2Shell foram divulgadas no PHP↳PHP44 conteúdosPadronizando seu código com PHP CS FixerDev (Back & Front) · mai 2019Docker de imagem. Para rodar projetos PHP em menos de 30 segundosDev (Back & Front) · jan 2026PHP 7.3: conheça as novidades desta versãoDev (Back & Front) · abr 2019Ver tudo em Dev (Back & Front) →, clientes que já tinham as Cyber Defense Factories rodando em produção usaram esses agentes para responder ao incidente. O GPT-6.1 Sol e o GPT-6 Astra fizeram o raciocínio de investigação e planejamento de remediação, usando o contexto do cliente para identificar sistemas afetados, avaliar exposição e montar um plano que levasse em conta dependências de aplicação e restrições operacionais.

A partir daí, os agentes orquestraram a correção seguindo o fluxo de aprovação e execução definido por cada cliente, e verificaram se a vulnerabilidade tinha sido de fato resolvida. É esse ciclo completo, da divulgação pública da falha até a confirmação da correção, que a Cogent está vendendo como diferencial em relação a scanners tradicionais.

Números e um cliente que fala sobre o processo

A Cogent reporta dois resultados concretos: um cliente automotivo Fortune 1000 reduziu o tempo médio de remediação de vulnerabilidades críticas em 75%, e um cliente Fortune 500 de serviços de TI chegou a 5 vezes mais capacidade de triagem de vulnerabilidades. São números fornecidos pela própria empresa, sem metodologia detalhada na fonte, o que pede cautela antes de tratá-los como benchmark comparável entre ambientes diferentes.

A plataforma de negociação MarketAxess detalhou como usa a ferramenta para decidir o que corrigir primeiro:

A Cogent enxerga nosso ambiente da forma como um atacante enxergaria. Ela traça a rota da internet até um sistema vulnerável e verifica os controles no caminho. Nosso trabalho de remediação agora foca nos maiores riscos e nos caminhos que um adversário poderia usar para invadir.

Vijay Bala, Global CISO da MarketAxessCogent sees our environment the way an attacker would. It traces the route from the internet to a vulnerable system and checks controls on the way. Our remediation work now focuses on the greatest risks and the paths an adversary could use to break in.

Esse detalhe importa mais do que o número de redução de tempo: a priorização deixa de ser por severidade isolada (CVSS, por exemplo) e passa a considerar o caminho de ataque real dentro daquele ambiente específico.

Por que GPT-6.1 Sol, GPT-5.6 e GPT-6 Astra, e não outro provedor

A Cogent diz avaliar continuamente alternativas de código aberto e fechado, e relata melhor raciocínio em tarefas longas de segurança, menos alucinação em código técnico e execução mais confiável com os modelos da OpenAI. Na prática, isso significa que os modelos conseguem encadear chamadas de ferramenta em sequência e em paralelo mantendo o contexto ao longo de um fluxo de remediação inteiro, sem perder o fio da investigação no meio do caminho.

A empresa segmenta o uso por custo e complexidade: GPT-6.1 Sol para execução geral e GPT-5.6 para tarefas rotineiras de gestão de vulnerabilidade, onde raciocínio avançado não é essencial. Geng Sng justifica a escolha também por custo operacional, algo relevante para quem roda múltiplos agentes em paralelo:

Os modelos da OpenAI são mais eficientes em custo em relação aos outros provedores. Isso é uma vantagem grande para nós, especialmente quando estamos rodando esses enxames enormes de agentes.

Geng Sng, cofundador e CTO da CogentOpenAI models are more cost-efficient relative to the other providers. That's a big plus for us, especially if we're running these huge agent swarms.

Há também um ganho de engenharia interna: segundo Geng, usar as APIs da OpenAI eliminou boa parte do código que a Cogent precisava construir na camada de orquestração e roteamento de requisições, reduzindo o overhead de engenharia. A maioria dos engenheiros da empresa também prefere o Codex para desenvolvimento, em vez de usar os mesmos modelos em um ambiente de código aberto, porque o Codex já vem com ferramentas que a equipe não precisaria construir do zero.

O que fica em aberto

A Cogent também usa acesso privilegiado a modelos de pesquisa ofensiva da OpenAI, via Trusted Access for Cyber e um nível chamado Daybreak Red, para pesquisa interna de red-team e caminhos de ataque, sob a lógica de que boa defesa exige entender a ofensiva. O roadmap da empresa aponta para remediação cada vez mais autônoma, cobrindo desde mudanças simples de configuração até workflows multi-etapa que atravessam vários sistemas da empresa, além de descoberta e validação de vulnerabilidades também automatizadas.

Para quem constrói e mantém infraestrutura, o ponto de atenção não é se o agente consegue escrever o patch certo. É o desenho de política e sandbox que decide o que ele pode executar sem supervisão: TRACE, Agent Gateway e Agent Policies existem exatamente porque dar autonomia de execução a um agente em produção, mesmo um bom, exige um limite determinístico que não depende de outra chamada de modelo para ser confiável.

Fonte: OpenAI News