Cibersegurança
Projeto-piloto do GitHub transforma descobertas de segurança de IA em 55 correções de código aberto

Pontos-chaveA triagem por IA e a revisão humana reduziram 9.791 descobertas brutas para 99…
Ver mais
- A triagem por IA e a revisão humana reduziram 9.791 descobertas brutas para 99 relatórios privados.
- Os mantenedores mantiveram o controle sobre quais descobertas corrigir e quando lançar os patches.
- A expansão do piloto depende da capacidade de revisão especializada que o GitHub admite ainda não ser escalável.
O GitHub informou, em 17 de novembro de 2026, que um projeto-piloto de segurança realizado com a Microsoft produziu 55 correções em seis projetos de código aberto até 15 de novembro de 2026. O teste Codename MDASH filtrou 9.791 possíveis problemas e chegou a 99 relatórios privados, cada um verificado por pesquisadores e acompanhado de uma prova de conceito e de uma correção sugerida.
Quatorze das correções já haviam sido incluídas em versões lançadas. Os projetos eram AutoGPT, Caddy, Express, FastMCP, ImageMagick e Netty. Os responsáveis pela manutenção decidiram quais descobertas corrigir, como fazê-lo e quando lançar as correções; os relatórios e patches permaneceram no GitHub.
A revisão humana reduziu os resultados da varredura
O projeto enfrenta um problema de manutenção provocado pelo menor custo das varreduras com IA: duplicatas e relatórios sobre problemas que não são vulnerabilidades reais já consomem o tempo dos responsáveis pela manutenção, enquanto a correção ainda exige julgamento humano. O GitHub quer que os pesquisadores consultem os responsáveis pela manutenção antes de direcionar outro modelo aos projetos e enviem patches junto com as descobertas.
O sistema Codename MDASH, da Microsoft, examinou cada projeto com seu modelo MAI Cyber e sugeriu correções. Um agente de triagem de IA do GitHub Security Lab, desenvolvido com habilidades personalizadas do Copilot, removeu duplicatas, verificou a validade dos relatos e priorizou bugs de alto impacto. Em seguida, sete pesquisadores do Microsoft FORGE Lab verificaram manualmente todas as descobertas restantes antes que os relatórios fossem enviados aos responsáveis pela manutenção por meio do sistema privado de comunicação de vulnerabilidades do GitHub.
Os responsáveis pela manutenção usaram os patches sugeridos
Segundo o GitHub, as primeiras correções foram lançadas cerca de uma semana após a varredura inicial. Os responsáveis pela manutenção do Caddy corrigiram todos os 22 relatórios recebidos em uma semana ou menos. O ImageMagick, mantido por duas pessoas, também recebeu 22 relatórios; em um dos casos, os responsáveis pela manutenção enviaram uma correção em 15 minutos, depois que um resumo identificou as linhas exatas de código e mostrou que um problema aparentemente familiar era diferente.
No AutoGPT, um relatório chegou três dias depois de os responsáveis pela manutenção lançarem uma verificação defeituosa e indicou a linha correta. Eles foram além do patch sugerido, escreveram a correção em um dia e a colocaram em produção menos de uma semana depois. Ao longo do projeto-piloto, os responsáveis pela manutenção aplicaram algumas correções sugeridas como estavam e adaptaram outras.
Um responsável pela manutenção do Netty descreveu a limitação que persiste: “Encontrar vulnerabilidades já não é o nosso gargalo. Corrigi-las é a parte difícil, e isso depende de quem faz a manutenção.”
A expansão depende da capacidade de revisão
O GitHub descreveu a amostra de projetos como pequena, as conclusões como aprendizados iniciais e a revisão manual como ainda não escalável; os pesquisadores passaram cerca de dois dias por projeto verificando as descobertas à mão. Relatórios de baixa qualidade ainda chegam diariamente aos responsáveis pela manutenção.
O GitHub também identificou como necessidades ainda não atendidas os testes de CI/CD em forks privados e o acesso dos responsáveis pela manutenção a modelos com recursos de cibersegurança. Os testes verificariam as correções em forks privados, e o acesso aos modelos ajudaria os responsáveis pela manutenção a validar uma prova de conceito antes e depois da correção. O padrão recomendado pelo GitHub para relatórios gerados por IA é verificar cada descoberta em relação ao conhecimento existente sobre o projeto, ao modelo de ameaças e à política de segurança; fazer o relato em privado, incluir uma correção sugerida e deixar que os responsáveis pela manutenção definam o ritmo.
O GitHub planeja incorporar esses aprendizados à comunicação privada de vulnerabilidades e aos avisos de segurança. A empresa oferecerá varreduras de segurança com IA, cujas descobertas serão verificadas antes da comunicação privada, além do GitHub Copilot Max, a todos os projetos de ex-participantes do GitHub Secure Open Source Fund, e estenderá o suporte às próximas edições do Fundo. GitHub e Microsoft também estão trabalhando para ampliar a revisão por pesquisadores sem deixar de realizar essas verificações.
No caso da divulgação de vulnerabilidades com auxílio de IA, a contrapartida do projeto-piloto é concreta: a automação pode reduzir uma enxurrada de descobertas brutas a uma fila privada administrável, enquanto a revisão especializada e o controle dos responsáveis pela manutenção determinam se esses relatórios levam a patches. A expansão depende de preservar esse padrão sem devolver aos responsáveis pela manutenção o ônus da triagem.












