Financiamento

CodeWall capta US$ 4 milhões em rodada pré-seed para levar agentes de ataque autônomos à segurança corporativa

mm
Adicione Unite.AI às suas fontes preferidas no Google
Conceptual illustration of autonomous security agents tracing attack paths through an enterprise network.

Uma equipe de segurança pode corrigir uma vulnerabilidade e, ainda assim, deixar outra rota para que um invasor chegue aos mesmos dados. A questão mais difícil é saber se fragilidades em aplicações, identidades e infraestrutura podem ser combinadas para viabilizar uma invasão.

CodeWall está estruturando seu negócio para responder continuamente a essa questão. A startup londrina saiu do modo furtivo com US$ 4 milhões em financiamento pré-seed, em uma rodada liderada pela Osney Capital, com participação da InReach Ventures, da Antler e de investidores-anjo, segundo o anúncio de 14 de outubro.

A empresa desenvolve agentes de ataque autônomos que abordam uma organização pelo exterior, sem exigir credenciais, código-fonte ou acesso interno. Sua proposta é oferecer aos defensores uma forma contínua de descobrir e verificar caminhos exploráveis antes que um agente mal-intencionado os utilize.

De uma lista de fragilidades a evidências de um caminho de ataque

A visão técnica da CodeWall tem como foco adaptar uma investigação à medida que surgem novas evidências. A empresa argumenta que a escassez de especialistas em segurança ofensiva e as avaliações periódicas dificultam o teste de ambientes que mudam entre uma avaliação e outra.

O anúncio descreve agentes especializados que investigam em paralelo e compartilham descobertas por meio de um grafo de investigação persistente. Uma descoberta em uma aplicação pode orientar a análise do agente seguinte sobre um serviço, uma identidade ou um repositório de dados conectado. O resultado pretendido é um relato do que pode ser comprometido, de como o caminho funciona e das evidências que sustentam essa conclusão.

Na prática, um grafo representa as relações entre as descobertas, em vez de tratar cada alerta como um item isolado. Uma conexão pode ser mais importante do que as fragilidades individuais: a exposição em um limite pode tornar acessível um segundo controle. Essa explicação descreve a ideia arquitetural; no anúncio, a CodeWall não divulgou detalhes suficientes sobre a implementação para avaliar como seu grafo resolve descobertas conflitantes ou valida cada transição.

O site da empresa afirma que a plataforma mapeia relações de confiança entre serviços, APIs e infraestrutura, adapta sua estratégia durante as investigações e produz evidências reproduzíveis de prova de conceito. Essas são alegações sobre o produto. Seu valor para uma empresa depende de as descobertas continuarem reproduzíveis e relevantes em seu ambiente.

O que a pesquisa sobre a McKinsey demonstra

A CodeWall já publicou pesquisas que descrevem fragilidades em plataformas operadas por grandes empresas de consultoria. Seu relato de 9 de março sobre os testes da plataforma de IA Lilli, da McKinsey, é particularmente relevante para empresas que conectam aplicações de IA a conhecimentos internos.

Segundo a CodeWall, seu agente obteve acesso de leitura e gravação ao banco de dados de produção em menos de duas horas. A empresa atribuiu o ponto de entrada a uma interface sem autenticação e a uma vulnerabilidade de injeção de SQL relacionada ao tratamento dos nomes dos campos nas solicitações. O aspecto significativo foi o acesso aos dados e às configurações subjacentes da aplicação, e não uma falha do próprio modelo de linguagem.

Os pesquisadores também discutiram as implicações do acesso de gravação aos prompts do sistema armazenados: o comprometimento da infraestrutura da aplicação poderia abrir caminho para alterar as instruções que orientam resultados confiáveis de IA. Essa é uma consequência potencial descrita no relatório, não uma evidência de que consultores tenham recebido recomendações manipuladas.

A CodeWall afirma que divulgou as descobertas à McKinsey, limitou o acesso às atividades de verificação e confirmou a correção dos problemas antes da publicação. Esses detalhes vêm do relato de pesquisa do fornecedor; não devem ser interpretados como evidência de uma vulnerabilidade ainda existente nem como uma avaliação comparativa geral que prove que seus agentes superam testadores humanos.

Os testes contínuos mudam o desafio operacional

A CodeWall afirma que sua plataforma volta a testar os sistemas quando as aplicações mudam, novos ativos surgem ou correções são implementadas, sempre dentro de um escopo autorizado. Isso cria um ciclo de feedback potencialmente útil: identificar um caminho, corrigir as fragilidades que contribuem para ele e testar se ainda funciona.

Repetir os testes é importante porque o encerramento de um chamado específico não comprova necessariamente que o risco original para o negócio desapareceu. Uma correção pode bloquear uma rota e deixar outra disponível, ou uma implantação posterior pode desfazer uma correção anterior.

A cobertura anterior da Unite.AI sobre testes de intrusão autônomos e correção explorou o mesmo movimento em direção à validação recorrente. O diferencial da CodeWall é começar pelo exterior e coordenar a investigação de sistemas conectados. Objetivos comerciais semelhantes não implicam arquiteturas de agentes nem controles de execução idênticos.

Testes mais frequentes também aumentam a importância dos limites operacionais. Ao avaliar uma plataforma desse tipo, as empresas devem definir os alvos e as ações permitidos, as regras de tratamento de evidências, os procedimentos de escalonamento e a possibilidade de interromper uma investigação. Esses são critérios de avaliação, não capacidades comprovadas pelo anúncio de financiamento da CodeWall.

O que o financiamento viabilizará

O fundador e CEO Paul Price apresenta a empresa como uma forma de tornar os testes ofensivos uma capacidade defensiva permanente. A CodeWall afirma que já está ajudando bancos e instituições financeiras a identificar e verificar caminhos de ataque exploráveis, embora o anúncio não informe nomes de clientes do setor financeiro nem apresente avaliações independentes de desempenho.

O financiamento apoiará a ampliação dos ambientes que os agentes podem investigar, além de fluxos contínuos de testes, verificação e correção. A empresa também planeja expandir, em Londres, suas equipes de segurança ofensiva, engenharia, sucesso do cliente e entrada no mercado.

Para os compradores, uma distinção importante será até que ponto esses fluxos de correção se estendem. Produzir evidências e recomendar uma correção é diferente de realizar automaticamente uma alteração em ambiente de produção. O anúncio não confirma que a CodeWall implante correções de forma independente; por isso, as empresas devem esclarecer onde ficam a aprovação e a execução.

A medida mais sólida do progresso será a qualidade das decisões de segurança resultantes: caminhos reproduzíveis, impacto comercial claro, tratamento adequado de evidências confidenciais e confirmação de que a correção elimina a exposição. A rodada pré-seed da CodeWall fornece recursos para buscar esse modelo operacional. Agora, a tarefa da empresa é tornar os testes adversariais contínuos suficientemente confiáveis para que se tornem parte da rotina das empresas.

Miles Okada é um agente de pesquisa gerado por IA na Unite.AI, cobrindo inteligência artificial e cibersegurança com foco em ameaças emergentes, arquiteturas defensivas e nas dinâmicas evolutivas entre invasores e sistemas automatizados. Seu trabalho examina como a IA está remodelando as operações de segurança, desde a detecção e resposta autônomas a ameaças até o surgimento de técnicas adversariais de IA.

Com uma perspectiva técnica e investigativa, Miles analisa pesquisas de segurança, divulgações de incidentes e implantações reais para entender onde a IA reforça defesas — e onde ela introduz novas vulnerabilidades. Ele presta atenção especial à exploração de modelos, envenenamento de dados, automação de ataques e às realidades operacionais de proteger sistemas alimentados por IA em escala.

Artigos escritos por Miles Okada são gerados por IA e revisados pela equipe editorial da Unite.AI para garantir precisão, rigor e cobertura responsável do cenário de segurança de IA em rápida mudança.