A inteligência artificial está facilitando a descoberta de bugs de software, mas esse sucesso cria um novo problema: as pessoas responsáveis por verificar e corrigir esses relatórios não conseguem acompanhar o ritmo.
Um relatório sobre as pressões enfrentadas pelos mantenedores do Linux kernel ilustra o desequilíbrio crescente. O Microsoft’s FORGE Lab afirmou que seu sistema de varredura por IA, MDASH, identificou 59 relatórios de bugs no Linux kernel upstream, incluindo uma falha descrita como tendo pelo menos 21 anos. Ainda assim, transformar essas descobertas em relatórios utilizáveis exigiu mais de quatro meses-pessoa de trabalho humano.
A lição não é apenas que a IA encontrou uma nova maneira de descobrir falhas antigas. É que a descoberta automatizada desloca o recurso escasso da detecção para o julgamento especializado. Alguém ainda precisa determinar se um relatório é real, se tem importância prática, onde uma correção deve ser aplicada, o que ela pode quebrar e se o patch final é seguro para ser integrado.
A descoberta já não é o único gargalo
O Linux kernel é um caso especialmente revelador. Ele roda em uma enorme variedade de sistemas, de smartphones e dispositivos domésticos a supercomputadores. Um defeito pode ser grave em um ambiente, mas irrelevante — ou impossível de reproduzir — em outro. Por isso, distinguir uma vulnerabilidade significativa de um bug teórico ou específico de um contexto exige uma revisão técnica detalhada.
A ZDNET informou que a equipe Linux Common Vulnerabilities and Exposures havia registrado uma média de 27 CVEs por dia em 2026 até 2 de novembro. Essa escala dificulta tratar cada problema recém-detectado como igualmente urgente. Mais relatórios podem melhorar a visibilidade, mas também podem aumentar o trabalho de triagem para mantenedores já sobrecarregados.
A Microsoft enfrenta um problema semelhante no lado do Windows. Sua versão mais recente de segurança do Patch Tuesday citou 726 CVEs, segundo o relatório. O problema comum não é a falta de possíveis descobertas, mas a capacidade de avaliá-las, priorizá-las e corrigi-las.
A capacidade de revisão está sob pressão
Esse desequilíbrio tem consequências diretas para as comunidades de código aberto, nas quais o trabalho de revisão costuma depender de um grupo relativamente pequeno de colaboradores altamente experientes. O relatório afirma que Lorenzo Stoakes, engenheiro da ARM e mantenedor do Linux kernel que contribui desde 2014, disse em 10 de novembro que não conseguiria mais revisar de modo geral código fora das áreas que mantém devido ao volume associado às séries geradas por IA.
Suas responsabilidades incluíram a revisão de áreas relacionadas a gerenciamento de memória, áreas diversas e reclaim, além de seções relacionadas ao Rust. A decisão mostra concretamente que os efeitos da IA não se limitam aos scanners de segurança. Código gerado por IA e relatórios assistidos por IA também podem aumentar o volume que chega aos mantenedores.
Na descrição do FORGE Lab, “encontrar bugs e corrigi-los estão drasticamente fora de equilíbrio”. A frase resume o desafio operacional. Um sistema automatizado pode pesquisar de forma ampla e repetida, produzindo pistas em uma velocidade que equipes humanas não conseguem igualar. Uma resposta responsável, porém, é naturalmente mais lenta: revisores precisam de contexto, evidências reproduzíveis e confiança de que uma correção não introduzirá uma falha pior.
Por que mais descobertas não significam automaticamente mais segurança
Relatórios de segurança só são valiosos quando produzem ações que melhoram o software. Um grande volume de relatórios de baixa qualidade, duplicados ou sem contexto pode esconder os problemas que merecem atenção imediata. Mesmo descobertas corretas podem gerar custos se chegarem sem informações suficientes para que os mantenedores as reproduzam e avaliem com eficiência.
Isso não torna inútil a descoberta de bugs assistida por IA. Identificar uma falha de décadas atrás mostra que a análise automatizada pode revelar problemas que os fluxos de trabalho convencionais não encontraram. Mas o benefício prático depende de quão bem essas descobertas são preparadas, priorizadas e encaminhadas às pessoas que entendem a base de código afetada.
Isso pressiona as organizações que usam scanners de IA a tratar os relatórios como parte do produto, e não como algo secundário. Um fluxo de saída bruto não é o mesmo que uma contribuição de segurança. Relatórios úteis precisam de evidências suficientes, análise clara de impacto e um caminho para a correção.
O trabalho humano por trás de correções confiáveis
Os revisores fazem mais do que aceitar ou rejeitar um patch proposto. Eles avaliam compatibilidade, implicações de desempenho, regressões e interações com sistemas que podem não ser visíveis para a pessoa ou ferramenta que encontrou o problema original. Em um projeto tão disseminado quanto o Linux, essas decisões podem afetar muitos usuários e dispositivos downstream.
O relatório também destaca um paradoxo mais amplo do desenvolvimento de software assistido por IA. As mesmas tecnologias que reduzem o custo de gerar código e encontrar defeitos podem aumentar a demanda por revisão especializada. Se as comunidades de colaboradores não receberem apoio equivalente, o resultado pode ser esgotamento, correções atrasadas e menor participação de mantenedores experientes.
O que vem a seguir
A necessidade imediata não é apenas de mais detecção, mas de maior capacidade de triagem e revisão. Isso pode significar ferramentas melhores para agrupar relatórios duplicados, padrões de comunicação mais claros, mais apoio aos mantenedores e fluxos de trabalho que direcionem a atenção humana às descobertas com evidências mais fortes e maior impacto potencial.
A IA mudou a economia de encontrar possíveis bugs. O próximo teste para a indústria de software é saber se ela conseguirá mudar a economia de resolvê-los de forma responsável. Até lá, a descoberta automatizada continuará sendo apenas metade do processo de segurança.
- O Microsoft’s FORGE Lab informou 59 relatórios de bugs no Linux kernel upstream detectados pelo sistema de varredura por IA MDASH.
- Transformar essas descobertas em relatórios exigiu mais de quatro meses-pessoa de trabalho humano.
- Mantenedores do Linux dizem que o volume gerado por IA está aumentando a pressão sobre a capacidade de revisão.
Este artigo baseia-se em reportagem da ZDNET. Leia o artigo original.
Originally published on zdnet.com


