GitHub e Microsoft testam IA que manda PR de correção, não só alerta de bug

- Leitura
- 6 min
- Fontes
- 1
Em piloto com seis projetos open source, GitHub e Microsoft usaram um scanner de IA verificado por pesquisadores humanos para entregar relatórios privados com fix sugerido. Maintainers aceitaram 55 das 99 correções recebidas.
O problema não é achar bug, é ter tempo pra consertar
Desde que ferramentas de IA↳Inteligência artificial440 conteúdosUX e IA: Transformando Experiências Digitais com Inteligência ArtificialProduto & UX · jan 2025MCP: O que é e por que você vai ouvir falar disso em breve?AI · jul 2025IA generativa e a urgência de reconstruir nossa relação com a verdadeAI · jun 2025Ver tudo em AI → baratearam a varredura de código em busca de vulnerabilidades, maintainers de projetos open source↳Open source71 conteúdosComo o Open Source Está Liberando o Poder da Automação para TodosDev (Back & Front) · out 2025Código aberto: programadores criam software da NASA sem saberDev (Back & Front) · abr 2021N8N: O que é a ferramenta open source que está revolucionando a automação em TI?Dev (Back & Front) · dez 2025Ver tudo em Dev (Back & Front) → passaram a receber uma enxurrada de relatórios automatizados, muitos deles duplicados ou simplesmente errados. Encontrar possíveis falhas ficou rápido e barato. Corrigi-las continua exigindo julgamento humano, e esse trabalho recai sobre quem mantém o projeto, geralmente sem remuneração e sem tempo de sobra.
A pressão é real. Christian Grobmeier, maintainer do Log4j, resumiu o problema desta forma:
A IA que defende o open source precisa ser melhor do que a IA que o ataca.
Christian Grobmeier, maintainer do Log4jThe AI defending open source has to be better than the AI attacking it.
Foi a partir desse incômodo que GitHub e Microsoft, segundo post publicado no GitHub Blog em 17 de novembro de 2026, decidiram testar uma pergunta diferente: em vez de mandar mais achados, dá para usar IA para mandar correções prontas?
Como funcionou o piloto
A ferramenta por trás do experimento é o Codename MDASH, descrito pela Microsoft como um "harness" de varredura agêntica multi-modelo. O pipeline teve cinco etapas, pensadas para que nenhum achado bruto chegasse a um maintainer sem checagem:
- Encontrar: o Codename MDASH varreu cada projeto usando o modelo MAI Cyber, da Microsoft Security, e já sugeriu correções para o que encontrou.
- Filtrar: um agente de triagem do GitHub Security Lab, construído sobre skills do Copilot, removeu duplicatas e descartou achados sem validade, isolando os bugs de maior impacto.
- Verificar: pesquisadores do Microsoft FORGE Lab checaram manualmente cada achado que sobrou.
- Reportar em privado: os relatórios chegaram aos maintainers pelo recurso de private vulnerability reporting do GitHub, já com prova de conceito e fix sugerido.
- Corrigir: a decisão de o que, como e quando corrigir ficou inteiramente com os maintainers.
Todo o processo, do relatório ao merge, aconteceu dentro do GitHub, onde os maintainers já trabalham.
Os números: de milhares de achados a 55 correções aceitas
O Codename MDASH sinalizou milhares de possíveis problemas nos seis projetos testados. Depois da triagem por IA e da revisão manual de sete pesquisadores do Microsoft FORGE Lab, esse volume caiu para 99 relatórios privados enviados aos maintainers.
Até 15 de novembro de 2026, os maintainers já tinham corrigido 55 desses 99 relatórios, mais da metade, e 14 das correções já estavam em uma release publicada. Os primeiros fixes saíram cerca de uma semana depois da varredura inicial.
A IA que defende o open source precisa ser melhor do que a IA que o ataca.
No original: The AI defending open source has to be better than the AI attacking it.
Em resumo: o gargalo não mudou de lugar (continua sendo o tempo do maintainer), mas o custo de cada relatório caiu, porque ele chega checado e com proposta de solução, não como um despejo de dados brutos para triar.
O que aconteceu em cada projeto
Os seis projetos do piloto, todos ex-bolsistas do GitHub Secure Open Source Fund, tiveram experiências distintas:
- Caddy: recebeu 22 relatórios e corrigiu todos em uma semana ou menos, usando as correções sugeridas, algumas como vieram e outras com ajustes.
- AutoGPT: tinha acabado de lançar uma verificação que estava quebrada. O relatório chegou três dias depois, apontando a linha exata. A equipe foi além do patch sugerido, escreveu a correção em um dia e a colocou em produção em menos de uma semana.
- ImageMagick: mantido por uma equipe de só duas pessoas, recebeu 22 relatórios. Um deles parecia um tipo de bug já visto antes, mas o resumo gerado pela IA mostrou que não era, apontando as linhas exatas. A correção saiu em 15 minutos.
- FastMCP: segundo o maintainer, a varredura foi além do que scanners de IA anteriores já tinham entregado ao projeto.
- Express: os maintainers disseram que os relatórios cortaram o ruído de achados irrelevantes.
- Netty: resumiu o ganho na frase que abre este texto, sobre o gargalo ter deixado de ser encontrar vulnerabilidades.
O maintainer do ImageMagick comparou o tempo de antes e depois:
Normalmente, um aviso de segurança levaria entre 30 minutos e 1 hora, em média, para a gente ler, entender e fazer uma correção. É uma diferença enorme.
Maintainer do ImageMagickNormally, a security advisory would take us around 30 minutes to 1 hour on average to read, understand, and make a fix. It is a huge difference.
Já o maintainer do Caddy destacou a qualidade dos achados em si, não só a velocidade:
O Codename MDASH conseguiu encontrar bugs de segurança desconhecidos e obscuros no nosso projeto, com relatórios sucintos, e preencheu lacunas de relatórios anteriores que ninguém tinha percebido.
Maintainer do CaddyCodename MDASH was able to find unknown, obscure security bugs in our project with succinct reports, and it filled in gaps from some prior reports that hadn't been noticed.
O que ainda não escala
O próprio post do GitHub Blog admite o limite do piloto: sete pesquisadores gastaram cerca de dois dias por projeto checando achados à mão. Esse trabalho de verificação humana é o que garante a confiabilidade dos relatórios, mas não escala do jeito que está hoje, enquanto relatórios de baixa qualidade continuam chegando a maintainers todo dia, de outras fontes.
Normalmente, um aviso de segurança levaria entre 30 minutos e 1 hora, em média, para a gente ler, entender e fazer uma correção. É uma diferença enorme.
No original: Normally, a security advisory would take us around 30 minutes to 1 hour on average to read, understand, and make a fix. It is a huge difference.
Segundo o post, para que esse modelo funcione em escala, o open source precisa de três coisas: entrega de correções via private vulnerability reporting (PVR), capacidade de rodar testes de CI/CD↳CI/CD23 conteúdosCI/CD Mobile: o caos invisível que separa times comuns de times de alta performanceDev (Back & Front) · abr 2026Lambda: implementando com GitLab CI/CD e Terraform para Integração SFTP, S3 e Databricks em GoDev (Back & Front) · nov 2023Publicando sua aplicação Web Python no WebApp do Azure e configurando o CI/CD da sua aplicaçãoDevSecOps · abr 2019Ver tudo em DevSecOps → em forks privados para validar os fixes, e acesso de maintainers a modelos com capacidade cibernética para verificar provas de conceito antes e depois da correção.
Por que isso importa para quem mantém (ou depende de) código aberto no Brasil
Para quem mantém um projeto open source, a mudança de ângulo é prática: um relatório checado, privado e com fix sugerido consome muito menos tempo do que um despejo cru de scanner. A régua que o próprio GitHub Security Lab propõe, com base no feedback dos seis maintainers, é clara: quem for mandar relatório de vulnerabilidade gerado por IA deveria checar cada achado contra o threat model e a política de segurança do projeto, reportar em privado e incluir uma correção sugerida, deixando o ritmo na mão de quem mantém.
Para quem desenvolve em cima de dependências open source, o conselho prático do próprio post é ativar o Dependabot para saber quando uma dependência usada precisa de atualização de segurança. Para quem mantém um repositório no GitHub, dá para ligar os recursos de segurança básicos em cerca de dois minutos com o gh-secure, e habilitar o private vulnerability reporting para que pesquisadores reportem sem tornar a falha pública.
Recursos ficam cada vez mais fáceis de lançar, mas no futuro manter software provavelmente vai se resumir a quem se importa o suficiente para cuidar da segurança.
No original: Features are easier and easier to ship, but in the future maintaining software will probably come down to who cares enough to manage the security.
O movimento também se conecta a um anúncio feito no mesmo dia: a Microsoft lançou o MAI Cyber 2, sucessor do modelo que rodou todo o piloto do Codename MDASH. GitHub e Microsoft dizem que vão levar esse aprendizado para o private vulnerability reporting e para os security advisories do GitHub, e que vão oferecer varreduras de segurança por IA, já checadas por pesquisadores, a todos os projetos ex-bolsistas do GitHub Secure Open Source Fund, que hoje soma 216 projetos e mais de 300 maintainers corrigindo vulnerabilidades em software baixado mais de 20 bilhões de vezes por mês.
O AutoGPT maintainer resumiu o recado que fica para quem constrói e mantém software hoje:
Recursos ficam cada vez mais fáceis de lançar, mas no futuro manter software provavelmente vai se resumir a quem se importa o suficiente para cuidar da segurança.
Maintainer do AutoGPTFeatures are easier and easier to ship, but in the future maintaining software will probably come down to who cares enough to manage the security.
Fonte: The Github Blog
Highlights
- GitHub e Microsoft testaram IA que entrega fix sugerido em vez de apenas alerta, com 55 de 99 correções aceitas
- Codename MDASH passou por cinco etapas: encontrar, filtrar, verificar com pesquisadores, reportar privadamente e deixar correção com maintainer
- Caddy corrigiu 22 relatórios em uma semana; ImageMagick fez fix em 15 minutos após relatório apontando linhas exatas
- Open source precisa de private vulnerability reporting, CI/CD em forks privados e modelos com capacidade cibernética para escalar
- Gargalo mudou: não é mais encontrar vulnerabilidades, é o tempo do maintainer para corrigi-las
Este artigo foi escrito por Redação iMasters. Conteúdo produzido por agente de IA da redação iMasters, sob revisão editorial humana. Saiba como produzimos no expediente.
Nvidia divulga seu primeiro balanço trimestral desde a saída de Jensen Huang do comando
Pela primeira vez sem Jensen Huang como CEO, a Nvidia reporta nesta quarta-feira os resultados do terceiro trimestre fiscal, com o mercado de olho no ritmo de produção do chip Vera Rubin e nas novas regras de exportação dos Estados Unidos.













