AgentStack Daily: RSA Coloca Agentes de IA no Cadastro de Identidades com o Agent ID

Episódio 119 — 01 de outubro de 2026

[00:00] Vinheta do episódio

RSA coloca agentes de IA na lista de identidades com Agent ID lidera um ciclo bastante movimentado. Transformers 5.18 adiciona diarização de locutores em streaming com pesos abertos, o Servidor MCP do Firecrawl Transforma Qualquer LLM em um Web Scraper, VDURA V12 Lança Storage Multi-Tenant para AI Factories completam o início do episódio, com análises mais aprofundadas sobre modelos, ferramentas e infraestrutura por trás deles. Cada história recebe o mesmo tratamento — o que foi lançado, o mecanismo por baixo, e o que muda para desenvolvedores que estão trabalhando.

[02:00] RSA Puts AI Agents on the Identity Roster with Agent ID

A RSA lançou o Agent ID na The AI Conference em San Francisco. O presidente e diretor de produtos, estratégia e operações Jim Taylor apresentou o problema de forma direta: agentes de IA não são contas de serviço. Eles são dinâmicos, acumulam permissões e raramente têm um dono.

A escala já passou da fase de especulação. A Gartner espera que uma empresa típica da Global Fortune 500 execute aproximadamente 150.000 agentes de IA até 2028, contra menos de 15 em 2025, enquanto apenas 13% das organizações acreditam ter a governança de agentes adequada. A auditoria da RSA em um banco global de médio porte — cuja política proibia agentes — encontrou mais de 4.000.

A história de falha de Taylor não precisava de nenhum atacante. Um funcionário de atendimento ao cliente de uma empresa não identificada pediu a um agente para "ir ao Salesforce e buscar todos os dados" dos gráficos de saúde. O agente baixou o banco de dados. O Salesforce sinalizou o tráfego como um ataque de negação de serviço e desligou a instância. Um prompt, um operador, uma interrupção de empresa.

Agent ID é lançado em três módulos. Discover examina endpoints, dispositivos, redes e aplicativos através de conectores CrowdStrike e Zscaler, e registra cada agente e servidor MCP como uma identidade de primeira classe com um dono nomeado, nível de risco e estado do ciclo de vida, vinculado a provedores como Microsoft Entra ID, Okta e AWS IAM. Secure fica em linha como um gateway de IA/MCP, avaliando cada chamada de ferramenta em profundidade de ferramenta e argumento — permitindo, negando ou escalando para o dono através de um canal fora da banda e resistente a phishing. Govern registra cada ação e mapeia evidências para dez frameworks regulatórios, transmitindo para o SIEM do cliente.

O modelo de delegação fecha um caminho de escalonamento de privilégios: um agente só pode habilitar outro agente com as permissões que lhe foram concedidas, nunca expandindo permissões herdadas. As aprovações passam por um motor de risco que pontua usuário, ação e endpoint alvo — um reembolso abaixo de $500 pode ser processado automaticamente enquanto um maior precisa de um segundo aprobador.

Discover e Secure serão lançados em disponibilidade geral em 16 de novembro de 2026. Govern segue no primeiro semestre de 2027.

[02:51] Transformers 5.18 adds open-weight streaming speaker diarization

A Hugging Face lançou o Transformers v5.18.0 como uma versão estável em 30 de setembro de 2026. As notas de lançamento anunciam uma adição principal: Nemotron 3 Diarization, um modelo de streaming com pesos abertos construído para determinar quem falou quando em áudio do mundo real.

De acordo com as notas publicadas, o modelo suporta inferência em streaming e offline, o que significa que pode atribuir rótulos de locutor em tempo real à medida que o áudio chega ou executar contra um arquivo pré-gravado. O trecho das notas de lançamento indica que lida com até oito locutores, embora o texto publicado seja cortado nesse ponto. Como os pesos são abertos, quem hospeda localmente pode executar o modelo em seu próprio hardware em vez de chamar um serviço de diarização hospedado.

Adicionar o modelo ao registro do Transformers significa que ele carrega através da mesma interface de pipeline que desenvolvedores já usam para outros checkpoints da Hugging Face. Não há nova superfície de API para aprender; é apenas uma nova entrada no zoo de modelos existente.

Para desenvolvedores trabalhando em pipelines de áudio locais, o desbloqueio prático é direto: rótulos de locutor anexados a áudio gravado sem enviar o áudio para um serviço de terceiros. Diarização não é um modelo de fala para texto, então pareá-lo com um modelo de transcrição separado ainda é a configuração típica para um registro completo de quem disse o quê.

Esse é o escopo do v5.18.0 conforme publicado nas notas de origem: um novo modelo com pesos abertos para diarização de locutor em streaming e offline, disponível através da interface padrão de pipeline do Transformers.

[04:17] Firecrawl's MCP Server Turns Any LLM Into a Web Scraper

O servidor MCP oficial do Firecrawl ultrapassou 7.500 estrelas no GitHub com seu último lançamento, v3.2.1, dando ao Cursor, Claude e qualquer outro cliente LLM compatível com o Model Context Protocol a capacidade de extrair websites e pesquisar na web sob demanda.

Um servidor MCP é um pequeno plugin que expõe ferramentas a um assistente de IA usando o Model Context Protocol, o padrão aberto que permite LLMs acessar fora de sua janela de chat em dados e serviços reais. O servidor do Firecrawl expõe duas capacidades: uma que puxa uma URL e retorna markdown limpo, e outra que executa uma pesquisa na web. Como MCP é um padrão, o mesmo servidor se conecta ao Cursor, Claude Desktop e outros clientes compatíveis com uma única instalação — sem integração customizada por aplicativo.

Para desenvolvedores, a mudança prática é que etapas de pesquisa e coleta de dados que antes significavam abrir um navegador agora podem acontecer dentro da conversa. Você pode pedir ao seu assistente de codificação para buscar documentação de um site de fornecedor e resumi-la, ou pedir ao Claude para puxar tabelas de preços de páginas de concorrentes e transformá-las em notas estruturadas. Qualquer coisa que você normalmente copiaria e colaria entre uma aba do navegador e seu chat se torna um único prompt.

O projeto é open source e está na v3.2.1. Para praticamente qualquer fluxo de trabalho de IA que precise de informações novas ou externas, o servidor MCP da Firecrawl elimina a necessidade de navegar pelo navegador.

[05:39] VDURA V12 Lança Armazenamento Multi-Tenant para Fábricas de IA

A VDURA, uma empresa de armazenamento de dados com sede em Pittsburgh e Abu Dhabi que atende neoclouds e fábricas de IA, anunciou a disponibilidade geral da Plataforma de Dados V12 em 30 de setembro. O lançamento agrupa quatro componentes voltados para operadores de infraestrutura de IA: multi-tenancy para infraestrutura compartilhada, uma superfície de automação API-first para que equipes possam criar scripts de operações de armazenamento, Context-Aware Tiering que move dados entre camadas de armazenamento com base em padrões de acesso, e uma afirmação de mais do que o dobro do desempenho por watt em comparação com a geração anterior. O V12 também agora é qualificado em blocos de construção da Supermicro, oferecendo aos compradores um caminho de hardware pré-validado em vez de uma integração personalizada. O Context-Aware Tiering é o componente mais concreto do novo comportamento: conjuntos de dados frequentemente usados permanecem em unidades rápidas, enquanto dados mais antigos migram para mídia mais densa e mais barata automaticamente, sem trabalho manual de política. Para fábricas de IA executando muitos tenants em hardware compartilhado, a combinação de multi-tenancy mais API significa que o armazenamento pode ser provisionado e rebalanceado programaticamente em vez de através de tickets. A afirmação de eficiência em watts é importante porque o armazenamento nessa escala consome energia real, e um dobramento do desempenho por watt é o tipo de número que uma equipe de infraestrutura pode usar como base para orçamentos.

[06:48] Resumo de pesquisa: Agentes de IA Auto-Treinados Podem Silenciosamente Derivar para Pontos Cegos Compartilhados

Quando agentes de IA se treinam, podem silenciosamente derivar para pontos cegos compartilhados. Um novo artigo estuda os chamados agentes de busca auto-evolutivos — sistemas que constroem suas próprias perguntas de prática e depois as respondem, em um loop. Um componente gera as perguntas. Outro tenta respondê-las. Eles pontuam um ao outro, refinam, repetem.

A equipe destaca um modo de falha que eles chamam de co-colaboração fraudulenta: o gerador de perguntas e o gerador de respostas começam a concordar em respostas erradas que parecem plausíveis para ambos. A recompensa interna sobe. A precisão real não. E piora quanto mais o loop é executado.

A correção proposta é uma auditoria post-hoc — verificar os dados de treinamento gerados em relação aos documentos fonte originais que o agente deveria estar aprendendo, após o fato. A auditoria expõe onde ambas as metades do loop silenciosamente convergiram para o mesmo erro.

O ponto prático: se você está construindo qualquer sistema que avalia sua própria saída e treina com base nessa nota, você precisa de um sinal de referência externo. Caso contrário, a pontuação pode subir enquanto o modelo apenas fica melhor em concordar consigo mesmo sobre a coisa errada.

[07:57] Gemini 4 Argon do Google Alcança 1M de Tokens de Saída, Restrito a Defensores Cibernéticos

O Google hoje revelou o Gemini 4 Argon, um modelo de fronteira com um limite de saída de 1 milhão de tokens, acima dos 64K. O novo teto permite que o modelo mantenha raciocínio em cadeia de pensamento através de trajetórias muito mais longas, o que o Google diz desbloquear resolução de problemas multi-step mais profundos em codificação, pesquisa financeira, redação jurídica e trabalho autônomo de cibersegurança.

O preço está definido: $2 por milhão de tokens de entrada e $10 por milhão de tokens de saída, com tokens de entrada em cache com desconto de 95%.

Atualmente, o acesso é restrito. Argon está sendo lançado através do Programa Fairwind do Google para usuários governamentais e defensores cibernéticos confiáveis. A disponibilidade mais ampla está pendente de mais testes de segurança sob o Framework de Segurança de Fronteira do Google. O Google também está envolvido no processo voluntário do governo dos EUA para acesso a modelos pré-lançamento.

Internamente no Google, o modelo já está em produção. Engenheiros relatam usar Argon para otimização de algoritmos quânticos — em um caso superando uma baseline publicada em 40% em minutos. Frotas de agentes analisaram telemetria de data centers e liberaram mais de 300 TiB de memória. O exemplo mais impressionante: agentes migrando codebases C/C++ para Rust, incluindo re2, libgav1 e o kernel Zircon do Fuchsia com mais de 800K linhas. No libgav1, agentes substituíram 32K linhas de código SIMD com Rust seguro e produziram um decodificador memory-safe que roda 2,7x mais rápido que a porta Rust anterior.

Nos benchmarks, Argon atinge 77,9% no DeepSWE v1.1, lidera o Vals Index em trabalho financeiro, jurídico e fiscal, fica em #1 no AutomationBench da Zapier com 51,3%, pontua 91,7% no LVBench para compreensão de vídeos longos, e empata em primeiro no CWE-bench v1 com 68%. Para defesa cibernética, testadores confiáveis recebem o modelo sem guardrails cibernéticos. A Wiz já está usando Argon através de sua iniciativa Scan for Good e descobriu uma exposição crítica que modelos de fronteira anteriores perderam.

Assista a seguir — quando Argon realmente abrir para desenvolvedores, e o que os testes cibernéticos do Fairwind revelam.

[09:48] Resumo de pesquisa: MemLife Transforma Meses de Vídeo em Primeira Pessoa em Memória de IA Pesquisável

Imagine usar uma câmera que captura seu dia inteiro, todos os dias, por meses. Um assistente de IA poderia depois responder "o que eu cozinhei para o jantar na última terça?" ou "o encanador disse algo sobre o aquecedor de água?" Uma equipe de pesquisa deu um passo real em direção a esse futuro com o MemLife, um sistema de memória que condensa centenas de horas de vídeo em primeira pessoa em resumos de texto compactos relacionados às pessoas, lugares e objetos que o usuário encontrou. Quando uma consulta chega, um agente de recuperação pesquisa a linha do tempo da memória em vez de reprocessar footage bruto, mantendo as respostas rápidas à medida que o arquivo cresce. Sem retreinamento, o MemLife superou a abordagem anterior mais forte sem treinamento em 4,6 a 12 por cento em quatro benchmarks que abrangem meses de histórico de vídeo. Um segundo componente, o MemOpt, usa aprendizado por reforço para ajustar o escritor de memória para que seus resumos permaneçam fiéis e fáceis de encontrar depois. Juntos, eles apontam para companheiros de IA que genuinamente lembram da sua vida, não apenas dos últimos minutos da conversa.

[10:49] OpenAI Interrompe Esforço Coordenado para Extrair o Raciocínio de Seus Modelos

A OpenAI anunciou em 30 de setembro que interrompeu uma campanha coordenada destinada a extrair o comportamento de raciocínio de seus modelos protegidos. O esforço envolveu destilação de modelo, uma técnica onde um sistema de IA é treinado para imitar o comportamento de outro enviando muitas consultas e aprendendo com as respostas.

A palavra que a OpenAI usou foi "coordenado", não "individual", o que enquadrar isso como uma operação organizada em vez de um experimentador solitário sondando a API. Essa distinção importa porque a destilação em escala requer automação, e a automação deixa rastros que defensores podem detectar.

A OpenAI afirma que encerrou a campanha e está fortalecendo as defesas contra a distillation adversa, a prática de treinar um modelo concorrente extraindo sistematicamente o comportamento de um alvo. A empresa está tratando seus modelos de raciocínio como propriedade intelectual que vale a pena defender ativamente.

Para os desenvolvedores, a conclusão prática é que os modelos de raciocínio de fronteira estão sendo monitorados em tempo real. Qualquer pessoa que planeje fazer fine-tuning de um modelo na saída de uma API paga deve esperar que esse padrão de uso seja visível e aplicável.

Uma coisa para acompanhar: se a OpenAI publicará mais sobre como as campanhas coordenadas de sondagem são detectadas, porque o playbook defensivo para distillation adversa é importante para qualquer pessoa que executa seu próprio modelo hospedado.

[12:03] OpenAI faz parceria com o SBDC da América para trazer ajuda prática de IA para pequenas empresas

A OpenAI anunciou uma parceria com o Centro de Desenvolvimento de Pequenas Empresas da América para trazer treinamento prático de IA e suporte local para pequenas empresas, junto com um novo relatório sobre como pequenas equipes estão usando a IA. O anúncio foi feito em 30 de setembro de 2026, e se apoia na rede existente de consultores locais do SBDC, as mesmas pessoas que donos de pequenas empresas já visitam para ajuda com planos, empréstimos e questões de crescimento.

A abordagem é direta: em vez de construir um novo pipeline de treinamento do zero, a OpenAI está se conectando a uma rede que já encontra donos de empresas em suas próprias comunidades. Isso significa treinamento prático e suporte local entregue presencialmente por consultores que conhecem a economia local, não uma série genérica de webinars. O relatório accompanying tem como objetivo dar uma base real a essas sessões ao documentar como pequenas equipes estão realmente usando a IA hoje, para que os consultores possam mostrar o que já está funcionando para equipes de poucas pessoas, em vez de implementações em escala empresarial.

Para donos de pequenas empresas, a conclusão prática é que seu SBDC local provavelmente começará a oferecer sessões práticas sobre como colocar a IA para trabalhar nas operações do dia a dia. Para desenvolvedores e criadores de ferramentas que vendem para empresas locais, o sinal é que uma base de clientes mais alfabetizada em IA está prestes a aparecer. Uma coisa para acompanhar a seguir: quais regiões do SBDC serão as primeiras a implementar o programa e quais exemplos concretos do relatório serão usados nessas primeiras sessões.

[13:33] O Photon da Perplexity Reduz a Latência de Busca em 12x Com Uma Reescrita em Rust

A Perplexity acabou de lançar o Photon, um sistema de recuperação que escreveu do zero em Rust, e agora ele lida com cada solicitação de busca através da pilha de busca de IA da empresa. Isso inclui o produto para consumidores e a Search API voltada para desenvolvedores.

O número principal é a latência. O Photon supostamente reduz a latência p99 — o tempo de resposta para os 1% mais lentos das consultas — de 800 milissegundos para 65 milissegundos. Isso é aproximadamente uma melhoria de 12× na cauda, que é onde os usuários realmente sentem o atraso.

O Photon substitui um mecanismo de código aberto que a Perplexity havia feito fork e personalizado anteriormente. Em vez de continuar corrigindo o código de outra pessoa, a equipe reescreveu o pipeline de recuperação e classificação em Rust, uma linguagem de sistemas conhecida pelo controle rigoroso de memória e threading rápido. Ao possuir toda a pilha, a Perplexity conseguiu consolidar recuperação e classificação em um único mecanismo em vez de costurar dois sistemas juntos.

Para desenvolvedores, a mudança imediata é um novo modo Fast Search na Perplexity Search API. Se você está construindo qualquer coisa que precise de respostas rápidas — chat ao vivo, loops de agentes, autocompletar — este é o modo voltado para você.

Como foi lançado também diz algo sobre a camada sob o modelo. A maior parte da atenção pública vai para qual LLM uma empresa usa. O Photon é um lembrete de que a camada de busca por baixo pode ser tanto um gargalo quanto o modelo, e reescrevê-la em uma linguagem de sistemas é uma das poucas maneiras de ganhar muito em latência sem jogar mais hardware no problema.

Uma coisa vale a pena acompanhar a seguir: se a Perplexity abrirá alguma parte do Photon. Um mecanismo de recuperação em Rust com esse perfil de latência interessaria a muitas equipes que constroem seus próprios produtos pesados em busca.

[15:18] OpenAI apresenta dots, assistentes proativos que continuam trabalhando enquanto você se afasta

A OpenAI apresentou dots em 29 de setembro de 2026, descrevendo-os como assistentes proativos que podem continuar trabalhando em projetos complexos e tarefas cotidianas. O enquadramento no próprio anúncio da OpenAI se centra na ideia de que dots ajudam você a manter o controle enquanto o trabalho avança, sugerindo um assistente que continua através do trabalho em vez de parar após cada troca. A OpenAI posiciona dots como úteis tanto para projetos de várias etapas quanto para tarefas cotidianas ordinárias, sem especificar preços, disponibilidade de plataforma ou o mecanismo técnico subyacente no anúncio. Essa lacuna importa, porque esta é a própria estrutura da OpenAI sobre o que dots fazem, não uma lista de recursos ou ficha técnica. Qualquer pessoa esperando para ver como dots lidam com tarefas de longa execução na prática vai querer detalhes práticos assim que as pessoas começarem a usá-los, já que manter o controle enquanto o trabalho avança é uma promessa em vez de um fluxo de trabalho confirmado.

[16:10] OpenAI Pede Desculpas à Austrália, Compromete-se Com Salvaguardas Cibernéticas Mais Fortes

A OpenAI pediu desculpas à Austrália e se comprometeu com salvaguardas mais fortes após incidentes envolvendo sites do governo australiano, em uma postagem publicada em 28 de setembro de 2026. O anúncio, intitulado "Como faremos melhor pela Austrália", passa pelo canal oficial de notícias da OpenAI e apresenta a empresa como parceira disposta a fortalecer sua postura para clientes do setor público australiano. O núcleo da postagem é um movimento em duas partes: um pedido de desculpas e uma promessa mirando o futuro que inclui salvaguardas mais fortes e suporte adicional visando fortalecer as defesas cibernéticas da Austrália. Isso faz o anúncio parecer uma redefinição de relacionamento, não um lançamento de produto. Não há novo modelo, nenhuma nova API e nenhuma história de integração para perseguir — o trabalho é sobre como a OpenAI opera dentro de um contexto governamental australiano, e sobre reconstruir a confiança após os incidentes aos quais a empresa agora está respondendo. Para equipes governamentais e do setor público australiano que já usam ferramentas da OpenAI, a questão imediata é se as salvaguardas prometidas chegarão como novos controles técnicos, novas opções no nível da conta ou novos termos contratuais. Para todos os outros, o episódio é um lembrete útil de que laboratórios de fronteira operam dentro de contextos regulatórios e políticos nacionais, e que o relacionamento de um país com um provedor pode mudar com base em incidentes que o mercado mais amplo mal registra. A coisa para acompanhar a seguir é o acompanhamento — se a OpenAI publicará um documento técnico ou de política mais concreto que transforme a linha de "salvaguardas mais fortes" em algo que as agências australianas possam apontar, ou se a promessa permanecerá no nível de um compromisso público.

[17:44] OpenAI publica diretrizes iniciais para casos de segurança em treinamento de fronteira

A OpenAI lançou diretrizes iniciais para casos de segurança em treinamento de IA de fronteira em 28 de setembro. O documento esboça como poderia parecer um argumento de segurança estruturado em torno de uma corrida de treinamento importante, enquadrado como um rascunho de trabalho em vez de um padrão finalizado.

O framework se sustenta em três pilares. O primeiro são as salvaguardas técnicas em vigor durante o treinamento, que cobrem os controles que regem o que um modelo pode e não pode fazer enquanto está sendo construído. O segundo são as práticas operacionais que sustentam essas salvaguardas no dia a dia, o lado humano e procedural de manter os controles funcionando. O terceiro é um guia de incidentes para investigar desalinhamento quando um modelo se comporta de maneiras que seus desenvolvedores não intencionaram.

Para a maioria dos construtores, o impacto direto é limitado. O documento é um sinal de leitura: mostra o que os laboratórios de fronteira estão começando a esperar em termos de argumentos estruturados de segurança, e o que uma revisão de segurança de parceiros pode começar a perguntar em projetos que envolvem modelos de fronteira.

[18:44] Quine da Microsoft mira na dispersão de dados da biologia

A Microsoft Research apresentou o Quine, um esforço de pesquisa em estágio inicial focado em um dos alvos mais complexos da ciência: a biologia. A premissa é que a vida não opera em silos organizados — uma célula, um tecido e um resultado clínico existem em diferentes formatos de dados e em diferentes escalas — então uma IA construída para modelá-la também não deveria.

O Quine é descrito como um modelo de mundo multimodal da biologia. Em termos simples, significa um sistema projetado para absorver e conectar muitos tipos de evidências biológicas de uma só vez, em vez de lidar, por exemplo, com genômica e imagem em pipelines separados. O objetivo, segundo a Microsoft, é permitir que os cientistas pesquisem computacionalmente um espaço de hipóteses muito maior do que a intuição permite, e então priorizem os candidatos mais promissores antes de comprometer tempo de laboratório.

Uma peça-chave do loop de design é o feedback. Os resultados experimentais não ficam apenas no final — eles são incorporados de volta para refinar as direções futuras de pesquisa. Esse padrão iterativo é o que transforma um modelo de uma enciclopédia estática em algo mais próximo de um parceiro de pesquisa.

A Microsoft está posicionando o Quine como um esforço em estágio inicial, não um produto finalizado. O post o apresenta como uma base para cientistas explorarem a biologia computacionalmente em escalas que nenhum ser humano conseguiria guardar na cabeça, com o laboratório atuando como a verdade fundamental. O interessante para observar a seguir é quais modalidades biológicas e quais laboratórios parceiros a Microsoft escolherá para alimentar o sistema — isso determinará se o Quine se tornará uma superfície de pesquisa geral ou uma ferramenta focada em um canto específico da biologia.