Entrevistas
Oran Moyal, cofundador e diretor de tecnologia da Ocean Security – Série de entrevistas

Pontos-chaveO status nativo de IA é organizacional e não técnico, porque muda a forma como cada…
Ver mais
- O status nativo de IA é organizacional e não técnico, porque muda a forma como cada equipe lida com o trabalho.
- Acelerar tarefas individuais falha quando as transferências e aprovações continuam sendo os verdadeiros gargalos entre as etapas.
- Os agentes precisam de permissões impostas e validação independente, porque instruções sozinhas não são controles de segurança.
Oran Moyal é cofundador e diretor de tecnologia da Ocean Security, onde desenvolve IA agêntica para investigar ameaças sofisticadas por e-mail. Sua trajetória abrange pesquisa e desenvolvimento em cibersegurança, engenharia social ofensiva e segurança corporativa. Ele cofundou a Ocean em 2024 com Shay Shwartz, com base na experiência de ambos em analisar como os invasores exploram comunicações confiáveis e como os sistemas de segurança podem responder a ameaças cada vez mais direcionadas.
Ocean Security desenvolve uma plataforma de segurança de e-mail baseada em agentes, concebida para investigar phishing direcionado, comprometimento de e-mail corporativo e fraude financeira. Seus agentes de IA especializados analisam o contexto das comunicações e a intenção do remetente para ajudar as equipes de segurança a identificar ameaças em interações comerciais aparentemente legítimas. Nesta entrevista, Moyal fala sobre o que torna uma organização nativa em IA, como reformular fluxos de trabalho em torno de agentes e por que requisitos claros, validação independente, permissões aplicadas e discernimento humano continuam sendo fundamentais para uma automação eficaz.
Antes de cofundar a Ocean, em 2024, você passou anos trabalhando com pesquisa e desenvolvimento em cibersegurança, inclusive em funções nas Forças de Defesa de Israel e na VisibleRisk / Microsoft Security. Que experiências levaram você a lançar a Ocean e como o surgimento da IA influenciou a visão que você tinha para a empresa desde o início?
Uma campanha de phishing direcionado costumava exigir uma equipe dedicada e semanas de pesquisa e preparação manuais. Com o surgimento da IA generativa, percebemos que todos os funcionários de todas as empresas agora estão sujeitos a ataques de phishing devastadores no nível de Estados-nação. Da noite para o dia, uma assinatura de US$ 20 deu a qualquer invasor recursos próprios de um Estado-nação.
Shay e eu temos vasta experiência em engenharia social do lado ofensivo, e ambos criamos e expandimos empresas de segurança corporativa; por isso, sabíamos que as ferramentas tradicionais não conseguiriam acompanhar o ritmo. Elas procuram violações de regras e anomalias, mas esses ataques se infiltram nas comunicações comerciais normais: conversas reais, contas confiáveis e serviços legítimos. Nada parece anormal. Por isso, em 2024, criamos a Ocean para ajudar as empresas a se adaptarem a essa nova ameaça com segurança de e-mail baseada em IA, que analisa o contexto e a intenção do remetente em tempo real, como faria um investigador humano, antes que ocorra um comprometimento.
Muitas organizações se descrevem como “nativas em IA” simplesmente porque adotaram ferramentas de IA ou automatizaram determinados processos. Na sua opinião, o que distingue fundamentalmente uma organização verdadeiramente nativa em IA de outra que apenas integrou a IA às operações existentes?
Muitas empresas se dizem nativas em IA porque compraram ferramentas de IA. Isso é adoção de tecnologia. Ser nativa em IA muda a forma como a empresa conduz o trabalho cotidiano e resolve os gargalos.
Tudo começa pela maneira como os líderes reagem a um gargalo. A resposta tradicional é: “Isso leva tempo demais; vamos contratar alguém para cuidar disso”. Uma organização nativa em IA primeiro pergunta: “Como a IA pode agilizar toda essa função?”. Repita essa pergunta em todas as equipes e a empresa inteira começa a operar de outra forma.
A verdadeira transformação para se tornar nativa em IA é organizacional, não técnica. Se uma área acelera, o gargalo simplesmente passa para a seguinte, e a empresa acaba avançando no ritmo da sua função mais lenta. Organizações nativas em IA se transformam em conjunto, fazendo com que as informações circulem mais depressa, os ciclos de feedback se encurtem e as equipes trabalhem como um sistema integrado.
Nesse modelo, o valor das pessoas muda. À medida que a IA assume uma parcela maior do trabalho, as competências escassas passam a ser definir uma direção clara, estabelecer intenções e exercer discernimento. Pessoas e agentes trabalham lado a lado. A IA assume uma parcela maior da execução, e as pessoas decidem o que vale a pena desenvolver e por quê.
O objetivo é que todas as equipes façam mais com os mesmos recursos, avancem mais rápido e trabalhem melhor em conjunto, sem comprometer a qualidade.
Você argumentou que os ganhos de produtividade impulsionados pela IA podem desaparecer rapidamente quando os fluxos de trabalho subjacentes são ineficientes. Quais são os gargalos operacionais mais comuns que impedem as empresas de obter todos os benefícios da IA e como os líderes devem abordar a reformulação desses fluxos de trabalho?
Acelerar tarefas individuais não acelera automaticamente a organização. Se os processos, as dependências e a comunicação entre as equipes continuarem iguais, grande parte da produtividade gerada pela IA se perde pelo caminho.
Os gargalos mais comuns não são técnicos. São requisitos pouco claros, que levam a retrabalho recorrente; transferências lentas de tarefas entre equipes; e trabalho parado à espera de aprovações. A IA torna cada etapa mais rápida, mas o tempo se perde entre uma etapa e outra.
Os líderes devem começar medindo para onde o tempo realmente vai, pois o verdadeiro gargalo muitas vezes não é aquele que todos imaginam. Em seguida, devem reformular o fluxo de trabalho do início ao fim, corrigindo as transferências, as definições e os ciclos de feedback, em vez de se concentrarem apenas em tarefas individuais. Por fim, devem vincular cada iniciativa de IA aos indicadores-chave de desempenho (KPIs) pelos quais as equipes já são responsáveis.
Acima de tudo, os líderes precisam mudar a mentalidade. A automação e a aceleração devem se tornar o padrão. Em vez de aceitar os processos existentes, as equipes devem continuar questionando a maneira como as coisas são feitas para avançar mais rápido e ampliar seu impacto sem comprometer a qualidade.
Um dos princípios que você destaca é a importância de definir requisitos com clareza antes de introduzir agentes de IA em um fluxo de trabalho. Como as organizações devem repensar a maneira como definem tarefas, comunicam expectativas e estabelecem critérios de sucesso quando os agentes de IA são responsáveis por executar partes significativas do trabalho?
Quando os agentes de IA realizam grande parte do trabalho, as organizações precisam repensar como comunicam e definem as tarefas. Um pedido vago não impede um agente de agir. Ele faz suposições, e cada suposição equivocada gera mais retrabalho.
Penso nisso em três níveis:
Tarefas, objetivos e contexto claros. O agente precisa entender o que deve ser feito, por que isso é importante e qual é o contexto. Antes do início do trabalho, ele deve poder perguntar sobre tudo o que não estiver claro, para que as lacunas sejam resolvidas de antemão, em vez de serem descobertas no meio do processo.
Autovalidação. Os critérios de sucesso devem ser definidos com antecedência, de modo que o agente possa verificá-los por conta própria. No desenvolvimento de software, por exemplo, o agente deve conseguir executar o código, testar se funciona como esperado e confirmar que ele passa nos testes antes de alguém analisá-lo.
As pessoas como etapa final. As pessoas devem receber um resultado que o agente já aprimorou ao longo de várias iterações, com base nos critérios acordados. Cabe a elas aplicar seu discernimento, não corrigir erros básicos.
Quanto mais clara for a definição, menos tempo as pessoas precisarão dedicar a cada resultado.
Você defende que os agentes de IA validem o próprio trabalho antes de ele chegar aos revisores humanos. Como é, na prática, um processo eficaz de validação orientado por IA, e como as organizações podem garantir que as verificações automatizadas de qualidade não se limitem a reforçar os mesmos erros cometidos durante a execução?
Um processo eficaz de validação testa o trabalho da maneira como ele será realmente utilizado. O agente deve executar o sistema real do início ao fim, confirmar que o resultado atende aos critérios de sucesso e corrigir o que não funcionar antes que qualquer coisa chegue a uma pessoa.
Para evitar que a validação repita os próprios erros do agente, alguns princípios são importantes:
Separe os critérios da execução. As pessoas devem definir como é o sucesso antes do início do trabalho. Se o agente decidir o que significa “concluído”, será como deixá-lo corrigir a própria prova.
Estabeleça limites rígidos. Nem toda verificação deve depender do julgamento de um agente. Algumas precisam ser testes fixos e determinísticos, que verifiquem parâmetros, padrões e políticas específicos. Eles estabelecem limites claros que o agente não pode contornar com argumentos.
Use um revisor independente. Um segundo agente, com um contexto novo e sem envolvimento com a abordagem original, identifica erros que o primeiro não percebe.
Apresente evidências, não apenas um veredito. Resultados de testes, capturas de tela e gravações permitem que as pessoas vejam o que aconteceu, em vez de simplesmente confiar em um “aprovado”.
Assim, a atenção humana é direcionada para onde o risco é maior. O objetivo não é tirar as pessoas do processo, mas garantir que dediquem seu tempo ao discernimento, e não a verificações mecânicas.
As organizações tradicionais costumam depender de várias camadas de gestão, aprovações e transferências de trabalho entre equipes. Como um modelo operacional nativo de IA muda a forma como as equipes de engenharia, produto, segurança e negócios colaboram? E o que acontece com os cargos e as responsabilidades tradicionais à medida que os agentes assumem uma parcela maior da execução?
A IA permite que cada pessoa e cada equipe produzam mais. Mas, se as transferências de trabalho, as aprovações e a coordenação continuarem iguais, essa produção adicional simplesmente se acumulará, à espera da próxima etapa. A organização não avançará mais depressa. Criará novos gargalos. Um modelo operacional nativo de IA precisa reformular a maneira como as equipes trabalham em conjunto, não apenas como cada equipe trabalha.
Isso começa pela forma como as informações circulam. Uma parcela maior delas deve fluir pela automação, para que as reuniões sejam reservadas a decisões, e não a atualizações. Quando as informações obtidas no campo chegam diretamente à equipe de produto, as decisões se tornam mais rápidas e precisas, o que também resulta em definições mais claras e melhor execução.
As aprovações também precisam ser repensadas, e essa é a parte mais difícil, pois exige mudar o que a organização considera normal. As aprovações continuam sendo importantes, mas não devem tratar todas as mudanças da mesma maneira. Por exemplo, incluir uma avaliação de risco em um processo específico de aprovação pode reduzir as aprovações manuais para trabalhos de baixo risco, mantendo a análise humana onde ela é importante. Essa é apenas uma maneira de acelerar um processo sem abrir mão do controle.
Os cargos também estão sendo redefinidos. À medida que os agentes assumem uma parcela maior da execução, as pessoas deixam de ser responsáveis por tarefas e passam a ser responsáveis por resultados. Elas precisam entender todo o contexto, questionar suposições e ir além dos limites tradicionais de suas funções. As organizações que terão sucesso serão aquelas que reformularem a maneira como as pessoas trabalham em conjunto, e não apenas aquelas que adicionarem mais IA.
A própria Ocean usa agentes de IA especializados para investigar ameaças sofisticadas por e-mail. Como sua experiência no desenvolvimento de IA agêntica para cibersegurança influenciou a maneira como você implementa IA internamente? E há lições da criação de sistemas autônomos de segurança que se aplicam à gestão de uma organização nativa de IA?
O desenvolvimento de agentes autônomos para a segurança de e-mails moldou o uso que fazemos da IA internamente de duas maneiras.
A primeira lição é que o desempenho dos agentes depende da compreensão que têm do contexto. Um agente de segurança toma decisões melhores quando entende a organização que protege. O mesmo vale para o uso interno. Para obter bons resultados com os agentes, precisamos dar a eles uma compreensão real de como a organização funciona, qual é o propósito de cada tarefa e como ela se conecta ao panorama geral.
A segunda lição é que os agentes precisam ser avaliados continuamente. Em produção, avaliamos constantemente o desempenho dos nossos agentes, onde falham e de quais ferramentas ou dados precisam. Internamente, adotamos a mesma abordagem. Precisamos de um espaço dedicado a testar e treinar os agentes e receber feedback sobre eles. Sem isso, é difícil saber se um agente está melhorando ou do que precisa a seguir.
Gerir uma organização nativa em IA é muito parecido com construir um sistema de segurança autônomo: dar aos agentes um contexto profundo, avaliar continuamente seu desempenho e manter as pessoas envolvidas quando o discernimento é importante.
À medida que as organizações concedem mais autonomia aos agentes de IA, surgem preocupações relacionadas à responsabilização, à segurança e a consequências indesejadas. Com base na sua experiência em cibersegurança, como as empresas devem estabelecer salvaguardas que permitam aos agentes operar de forma independente sem comprometer a segurança nem perder uma supervisão humana significativa?
A autonomia é o caminho que os agentes estão seguindo, e as organizações devem avançar nessa direção passo a passo. Comece por áreas em que o impacto seja bem compreendido, comprove o valor e, então, amplie a atuação.
Salvaguardas reais não são instruções. Dizer a um agente “não faça isso” não é um controle de segurança. As salvaguardas precisam ser aplicadas: limites rigorosos ao que o agente pode acessar, verificação de que ele não consegue acessar nada fora do seu escopo e monitoramento contínuo que bloqueie ações não previstas. Como qualquer outra parte do sistema, elas devem ser testadas e validadas regularmente.
A responsabilização começa com o operador. Quem opera um agente define seus limites: o que ele pode fazer por conta própria, o que precisa de aprovação e aonde não pode ir. Pense em um agente que responde a ameaças por e-mail. Ele pode colocar mensagens suspeitas em quarentena por conta própria, com rapidez e confiabilidade. Para ações de maior impacto, como bloquear um remetente em toda a organização, o operador pode começar exigindo uma etapa de revisão. À medida que o histórico de desempenho do agente se consolida, esses limites podem ser ampliados com confiança. Salvaguardas claras são o que torna possível conceder mais autonomia.
Isso é ainda mais importante porque os invasores estão cada vez mais mirando os agentes de IA. A empresa quer avançar mais rápido, mas as equipes de segurança ainda não dispõem de um plano de ação claro para proteger os agentes. Por isso, a base precisa ser formada por permissões aplicadas e monitoramento constante.
Muitas empresas medem a adoção da IA pelo tempo economizado, pelas tarefas automatizadas ou pela produtividade dos funcionários. Na sua opinião, quais métricas realmente demonstram se um modelo operacional nativo em IA está gerando valor sustentável para os negócios, especialmente quando se levam em conta o retrabalho, a qualidade e os custos de coordenação?
O tempo economizado é uma métrica importante e, muitas vezes, o primeiro sinal claro de que a IA está gerando valor. Mas seu impacto fica evidente quando essa métrica é combinada com outras que mostram o que a organização faz com o tempo economizado e se os ganhos se mantêm no longo prazo.
Qualidade. A rapidez só é melhor se a qualidade se mantiver ou melhorar. Acompanhe o retrabalho, os defeitos e a frequência com que os resultados precisam ser corrigidos após a entrega. Quando a rapidez e a qualidade melhoram juntas, os ganhos são reais e duradouros.
Expansão dos negócios. O verdadeiro valor de uma organização nativa em IA está no que o tempo economizado torna possível. Medimos quantas novas capacidades e iniciativas assumimos sem aumentar o quadro de funcionários.
Rapidez de ponta a ponta. O tempo que um agente leva para desenvolver um recurso é apenas uma parte do quadro. A medida real é o processo completo, incluindo cada transferência de responsabilidade, desde o momento em que decidimos priorizar algo até ele estar disponível no produto. É assim que medimos a rapidez com que realmente trabalhamos, e isso revela os custos de coordenação que as métricas por tarefa não captam. Em segurança, a rapidez de ponta a ponta é fundamental. Os invasores já estão usando agentes de IA, por isso o tempo necessário para detectar e responder a uma ameaça precisa continuar diminuindo.
O tempo economizado mostra que a IA está funcionando. Essas métricas mostram que ela está gerando valor duradouro para os negócios.
Você sugeriu que empresas de tecnologia menores e mais ágeis podem obter uma vantagem competitiva significativa ao reformular suas operações em torno da IA. Que vantagens as startups nativas em IA têm sobre as empresas estabelecidas e como você imagina que a estrutura das empresas de tecnologia bem-sucedidas vai evoluir nos próximos três a cinco anos?
As startups nativas em IA têm uma vantagem estrutural. Elas podem conceber fluxos de trabalho, tecnologias e equipes em torno de agentes de IA desde o primeiro dia, enquanto as empresas estabelecidas precisam lidar com décadas de infraestrutura legada e complexidade organizacional. A maior diferença não é técnica. Todos têm acesso às mesmas ferramentas de IA. A vantagem é das empresas capazes de reformular a maneira como trabalham sem antes ter de desfazer camadas de aprovações, transferências de responsabilidade e funções rígidas.
Nos próximos três a cinco anos, acredito que as empresas de tecnologia bem-sucedidas deixarão para trás a automação básica com IA e adotarão modelos operacionais orientados por agentes, nos quais agentes de IA especializados executam fluxos de trabalho inteiros. As equipes humanas não desaparecerão, mas as pessoas passarão menos tempo realizando tarefas manualmente e mais tempo fornecendo contexto, definindo limites e direcionando resultados. O resultado serão organizações mais enxutas, capazes de crescer mais rapidamente, operar com mais eficiência e competir com empresas muitas vezes maiores do que elas.
Obrigado pela excelente entrevista. Os leitores que quiserem saber mais sobre segurança de e-mail baseada em agentes devem visitar Ocean Security.












