{"id":25399,"date":"2026-10-22T17:42:56","date_gmt":"2026-10-22T20:42:56","guid":{"rendered":"https:\/\/www.kaspersky.com.br\/blog\/?p=25399"},"modified":"2026-10-22T17:42:56","modified_gmt":"2026-10-22T20:42:56","slug":"tokenomics-ai-and-cybersecurity","status":"publish","type":"post","link":"https:\/\/www.kaspersky.com.br\/blog\/tokenomics-ai-and-cybersecurity\/25399\/","title":{"rendered":"O impacto direto da tokenomics nos processos de ciberseguran\u00e7a"},"content":{"rendered":"

Recentemente, fizemos uma postagem sobre tokenomics<\/a> e ataques de \u201cnega\u00e7\u00e3o de carteira\u201d (denial of wallet): um novo tipo de ataque DDoS que busca gerar gastos excessivos com tokens de IA. Antes de come\u00e7arem a proteger os processos de IA de seus colegas contra essa nova amea\u00e7a, os profissionais de seguran\u00e7a precisam considerar que as pr\u00f3prias atividades do departamento de seguran\u00e7a da informa\u00e7\u00e3o tamb\u00e9m podem ser alvo desse tipo de ataque. Como as equipes de seguran\u00e7a est\u00e3o testando e implementando ativamente diferentes formas de automa\u00e7\u00e3o baseada em IA, a amea\u00e7a de interfer\u00eancia externa destinada a paralisar o sistema de defesa pode afetar diretamente seus pr\u00f3prios processos e tecnologias.<\/p>\n

A Elastic estima<\/a> que, conforme a arquitetura do SOC baseado em agentes, a triagem de um \u00fanico alerta de um host pode custar US$ 0,69 com um conjunto de agentes especializados ou US$ 3,42 com um agente de uso geral capaz de executar 14 tipos diferentes de tarefas.<\/p>\n

No entanto, esses valores m\u00e9dios ocultam uma enorme varia\u00e7\u00e3o nos custos. A qualquer momento, o processamento inicial de um alerta simples (como, por exemplo, mil tokens) pode desencadear uma investiga\u00e7\u00e3o sobre o processamento de milh\u00f5es de entradas de registro, chamadas de API, e de outros dados relacionados, consumindo milh\u00f5es de tokens em quest\u00e3o de minutos<\/a>.<\/p>\n

A pr\u00f3pria Elastic reconhece que utiliza o modelo Claude Sonnet 4.6 em seu SOC. Isso levanta uma quest\u00e3o imediata: o que acontece quando o or\u00e7amento se esgota ou os filtros de seguran\u00e7a do modelo s\u00e3o acionados? No pior cen\u00e1rio, o SOC baseado em IA aciona uma \u201corquestra de agentes\u201d para investigar eventos suspeitos que se assemelham a movimentos laterais na infraestrutura. O agente faz uma chamada \u00e0 API da Anthropic, mas o or\u00e7amento mensal do departamento j\u00e1 se esgotou, e a API retorna erros. A investiga\u00e7\u00e3o fica paralisada, e a equipe s\u00f3 percebe o problema meio dia depois. Al\u00e9m disso, se os \u201cfiltros de seguran\u00e7a\u201d de um grande provedor de IA, que est\u00e3o em constante mudan\u00e7a, classificarem as solicita\u00e7\u00f5es do SOC como maliciosas, o mesmo poder\u00e1 ocorrer mesmo que ainda haja or\u00e7amento dispon\u00edvel. Isso ficou evidente na experi\u00eancia da Hugging Face<\/a> ao investigar a invas\u00e3o de sua infraestrutura pela OpenAI.<\/p>\n

\u00c9 claro que um invasor tem interesse em provocar esse tipo de situa\u00e7\u00e3o. O invasor pode aumentar diretamente os custos da equipe de defesa ao inserir prompts maliciosos nos dados que ela processa, como registros DNS TXT, cabe\u00e7alhos HTTP, coment\u00e1rios no c\u00f3digo e nomes de arquivos, sabendo que esses prompts ser\u00e3o analisados pelos sistemas de seguran\u00e7a da informa\u00e7\u00e3o. No ataque GhostJacking<\/a>, registros do WAF s\u00e3o usados como vetor para a inje\u00e7\u00e3o de prompts. Em outro m\u00e9todo, apresentado em um estudo acad\u00eamico, pesquisadores conseguiram atacar as pr\u00f3prias<\/a> prote\u00e7\u00f5es de seguran\u00e7a dos LLMs<\/a>, aumentando a lat\u00eancia das solicita\u00e7\u00f5es em 148 vezes e o consumo de tokens em 63 vezes. Em teoria, o sistema continua funcionando normalmente, mas o processamento dos alertas fica muito mais lento e os custos associados aumentam significativamente.<\/p>\n

O perigo das falhas silenciosas<\/h2>\n

Em sistemas baseados em agentes, o esgotamento do or\u00e7amento nem sempre gera um erro expl\u00edcito com a mensagem \u201climite de solicita\u00e7\u00f5es excedido\u201d e um alerta imediato aos respons\u00e1veis. Em determinadas configura\u00e7\u00f5es, pode ocorrer degrada\u00e7\u00e3o silenciosa: quando uma solicita\u00e7\u00e3o ao modelo excede o tempo limite, o sistema muda automaticamente para um modelo mais barato, reduzindo a qualidade das respostas e interrompendo a execu\u00e7\u00e3o de subagentes e tarefas peri\u00f3dicas. Enquanto isso, a equipe de seguran\u00e7a pode passar horas acreditando que tudo continua funcionando normalmente.<\/p>\n

Como controlar os custos da IA na ciberseguran\u00e7a<\/h2>\n

Gerenciar os custos, \u00e9 claro, n\u00e3o se resume a \u201cevitar gastos excessivos\u201d. O setor j\u00e1 caiu nessa armadilha ao implementar solu\u00e7\u00f5es SIEM: quando as empresas passaram a pagar de acordo com o volume de telemetria coletada, come\u00e7aram a restringir seletivamente a coleta de registros, nem sempre de forma eficaz. Como resultado, surgiram pontos cegos na detec\u00e7\u00e3o de amea\u00e7as. O mesmo pode acontecer com os tokens, mas de forma mais r\u00e1pida e em maior escala. Uma pol\u00edtica de redu\u00e7\u00e3o de custos mal planejada pode comprometer a profundidade das investiga\u00e7\u00f5es e a qualidade das respostas. Sem uma pol\u00edtica desse tipo, a decis\u00e3o sobre o que cortar ficar\u00e1 a cargo do analista de plant\u00e3o \u00e0s 3h da manh\u00e3, e n\u00e3o do arquiteto ou do CISO durante a fase de projeto do sistema. Outra possibilidade \u00e9 que o pr\u00f3prio fornecedor do sistema imponha limites automaticamente.<\/p>\n

Alguns princ\u00edpios simples ajudam a evitar aumentos previs\u00edveis de custos e a gerenciar melhor situa\u00e7\u00f5es realmente imprevis\u00edveis.<\/p>\n

N\u00e3o recorra \u00e0 IA para analisar informa\u00e7\u00f5es que podem ser verificadas por meio de consultas convencionais. <\/strong>Tarefas repetitivas e previs\u00edveis devem continuar sendo executadas da maneira tradicional, com regras e consultas a dados. Essas regras e consultas podem ser desenvolvidas com o aux\u00edlio da IA, mas devem funcionar de maneira determin\u00edstica. O modelo deve ser usado apenas quando for realmente necess\u00e1rio avaliar uma situa\u00e7\u00e3o amb\u00edgua.<\/p>\n

Estabele\u00e7a limites rigorosos e emita alertas imediatos aos usu\u00e1rios sempre que forem ultrapassados. <\/strong>Combine diferentes tipos de limite, como limites por tarefa, limites di\u00e1rios e assim por diante. Os alertas de viola\u00e7\u00e3o dos limites devem chegar imediatamente tanto aos analistas de plant\u00e3o quanto aos respons\u00e1veis por todo o sistema.<\/p>\n

Defina com anteced\u00eancia o que fazer quando um limite for atingido. <\/strong>A decis\u00e3o entre interromper o processo para economizar, mesmo que isso reduza o controle, ou continuar e arcar com os custos deve ser tomada antes que ocorra um incidente.<\/p>\n

Restrinja as permiss\u00f5es dos agentes e as ferramentas \u00e0s quais eles t\u00eam acesso. <\/strong>Quanto mais restrito o conjunto de a\u00e7\u00f5es, melhor ser\u00e1 seu desempenho em tarefas espec\u00edficas. Isso tamb\u00e9m reduz as oportunidades de elevar os custos e a probabilidade de explora\u00e7\u00e3o por agentes externos.<\/p>\n

Examine rigorosamente os dados externos n\u00e3o confi\u00e1veis. <\/strong>Solicita\u00e7\u00f5es, consultas, mensagens, coment\u00e1rios e campos t\u00e9cnicos de texto livre, como registros DNS, cabe\u00e7alhos HTTP e nomes de arquivos, podem servir tanto para injetar prompts maliciosos quanto para sobrecarregar deliberadamente o sistema. Limite o tamanho desses dados e monitore a carga de trabalho que geram.<\/p>\n

Para evitar interrup\u00e7\u00f5es causadas por provedores externos e manter o controle total sobre os dados da organiza\u00e7\u00e3o, avalie a possibilidade de usar modelos locais implantados na pr\u00f3pria infraestrutura<\/strong>, pelo menos nas atividades de seguran\u00e7a da informa\u00e7\u00e3o. Embora n\u00e3o sejam os modelos mais avan\u00e7ados, sua especializa\u00e7\u00e3o e seu ajuste fino com dados da empresa podem garantir bom desempenho e reduzir o risco de falhas inesperadas.<\/p>\n

Em arquiteturas mais complexas, os LLMs podem ser divididos em n\u00edveis de gravidade<\/strong>. A primeira linha de defesa, respons\u00e1vel por roteamento, filtragem de ru\u00eddo e enriquecimento de dados \u00e9 tratada localmente por modelos compactos. Isso reduz significativamente a imprevisibilidade dos custos. O segundo n\u00edvel conta com um modelo local de maior porte, respons\u00e1vel pelo trabalho anal\u00edtico principal: correlacionar eventos, testar hip\u00f3teses e reconstruir o cen\u00e1rio do incidente. Esse modelo tamb\u00e9m n\u00e3o gera custos por solicita\u00e7\u00e3o, mas tem capacidade limitada, o que pode causar gastos al\u00e9m do or\u00e7amento, sobrecargas e ac\u00famulo de eventos em filas. Apenas casos excepcionais e realmente complexos s\u00e3o encaminhados a modelos avan\u00e7ados na nuvem, de prefer\u00eancia com a aprova\u00e7\u00e3o expl\u00edcita de um analista. Nesse modelo, ainda h\u00e1 custos vari\u00e1veis, mas eles ficam restritos a poucos casos. Cada encaminhamento \u00e9 uma decis\u00e3o consciente, e n\u00e3o uma consequ\u00eancia inesperada de um script executado durante a noite.<\/p>\n

Na pr\u00e1tica, essa abordagem reproduz o modelo cl\u00e1ssico de SOC em v\u00e1rios n\u00edveis: a primeira linha faz a triagem, e a terceira conduz as investiga\u00e7\u00f5es. A diferen\u00e7a \u00e9 que essas fun\u00e7\u00f5es s\u00e3o desempenhadas por modelos, e n\u00e3o por pessoas.<\/p>\n\n","protected":false},"excerpt":{"rendered":"

Analisamos como a depend\u00eancia da IA afeta a ciberseguran\u00e7a de uma organiza\u00e7\u00e3o.<\/p>\n","protected":false},"author":2722,"featured_media":25400,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"footnotes":""},"categories":[1119,1655,1656],"tags":[218,830,1342,2744,1350,1840,3450,77],"class_list":["post-25399","post","type-post","status-publish","format-standard","has-post-thumbnail","category-business","category-enterprise","category-smb","tag-ameacas","tag-tips","tag-ia","tag-ml","tag-orcamento","tag-soc","tag-soc-autonomo","tag-tecnologia"],"hreflang":[{"hreflang":"pt-br","url":"https:\/\/www.kaspersky.com.br\/blog\/tokenomics-ai-and-cybersecurity\/25399\/"},{"hreflang":"en-in","url":"https:\/\/www.kaspersky.co.in\/blog\/tokenomics-ai-and-cybersecurity\/31131\/"},{"hreflang":"en-ae","url":"https:\/\/me-en.kaspersky.com\/blog\/tokenomics-ai-and-cybersecurity\/26165\/"},{"hreflang":"en-gb","url":"https:\/\/www.kaspersky.co.uk\/blog\/tokenomics-ai-and-cybersecurity\/30971\/"},{"hreflang":"es-mx","url":"https:\/\/latam.kaspersky.com\/blog\/tokenomics-ai-and-cybersecurity\/29565\/"},{"hreflang":"es","url":"https:\/\/www.kaspersky.es\/blog\/tokenomics-ai-and-cybersecurity\/32542\/"},{"hreflang":"it","url":"https:\/\/www.kaspersky.it\/blog\/tokenomics-ai-and-cybersecurity\/31073\/"},{"hreflang":"ru","url":"https:\/\/www.kaspersky.ru\/blog\/tokenomics-ai-and-cybersecurity\/42810\/"},{"hreflang":"x-default","url":"https:\/\/www.kaspersky.com\/blog\/tokenomics-ai-and-cybersecurity\/56523\/"},{"hreflang":"ru-kz","url":"https:\/\/blog.kaspersky.kz\/tokenomics-ai-and-cybersecurity\/31135\/"},{"hreflang":"en-au","url":"https:\/\/www.kaspersky.com.au\/blog\/tokenomics-ai-and-cybersecurity\/36876\/"},{"hreflang":"en-za","url":"https:\/\/www.kaspersky.co.za\/blog\/tokenomics-ai-and-cybersecurity\/36545\/"}],"acf":[],"banners":"","maintag":{"url":"https:\/\/www.kaspersky.com.br\/blog\/tag\/ia\/","name":"IA"},"_links":{"self":[{"href":"https:\/\/www.kaspersky.com.br\/blog\/wp-json\/wp\/v2\/posts\/25399","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.kaspersky.com.br\/blog\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.kaspersky.com.br\/blog\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.kaspersky.com.br\/blog\/wp-json\/wp\/v2\/users\/2722"}],"replies":[{"embeddable":true,"href":"https:\/\/www.kaspersky.com.br\/blog\/wp-json\/wp\/v2\/comments?post=25399"}],"version-history":[{"count":2,"href":"https:\/\/www.kaspersky.com.br\/blog\/wp-json\/wp\/v2\/posts\/25399\/revisions"}],"predecessor-version":[{"id":25402,"href":"https:\/\/www.kaspersky.com.br\/blog\/wp-json\/wp\/v2\/posts\/25399\/revisions\/25402"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.kaspersky.com.br\/blog\/wp-json\/wp\/v2\/media\/25400"}],"wp:attachment":[{"href":"https:\/\/www.kaspersky.com.br\/blog\/wp-json\/wp\/v2\/media?parent=25399"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.kaspersky.com.br\/blog\/wp-json\/wp\/v2\/categories?post=25399"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.kaspersky.com.br\/blog\/wp-json\/wp\/v2\/tags?post=25399"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}