Imagine uma única injeção de Prompt Multi-Turn, ignorando todo o seu conjunto de segurança, para autorizar uma transferência eletrônica fraudulenta que é fraudulenta de um milhão de dólares. No mundo financeiro de alto risco, os firewalls tradicionais não são mais suficientes para impedir ataques sofisticados de adversários. A maioria das instituições financeiras apenas cumprem metas enquanto seus agentes de ação sequestrados. O antigo modelo de teste manual pressupõe que você pode prever todas as interações humanas, mas, na realidade, o ano de 2026 será definido por transferências fraudulentas de US$ 250 mil acionadas por uma única injeção de Prompt Multi-Turn. Seus firewalls legados foram criados para dados estáticos, o que significa que eles são inúteis contra ataques de fatiamento de salame que drenam contas um pequeno pedaço de cada vez. Ao final desta sessão, você terá o projeto para uma luva multimodelo que protege fluxos de trabalho autônomos. Inscreva-se no podcast M365FM para ficar à frente dos riscos da Era dos Agentes antes dos prazos de agosto de 2026. Estamos indo além da conformidade básica e construindo uma estrutura de equipe vermelha resiliente que protege transações confidenciais contra a próxima geração de ataques adversários. A crise de identidade dos agentes autônomos Estamos implantando agentes para detecção de fraudes e monitoramento de ACH agora, mas a propriedade é fragmentada e toda a situação é uma bagunça. Você tem equipes de segurança observando o perímetro, equipes de TI observando a infraestrutura e equipes de A observando os modelos, mas ninguém está observando a agência. Apenas 28% das organizações conseguem rastrear a ação de um agente até um patrocinador humano específico, o que é uma estatística assustadora quando você pensa a respeito por um segundo. Se um agente autoriza um pagamento, 3 em cada 4 empresas não conseguem dizer quem foi o responsável pela lógica daquela máquina naquele momento. A suposição é que um monitoramento comercialmente razoável é suficiente, mas não é mais porque as mudanças nas regras na ACH de 2026 e agora exigem uma justificativa documentada para cada decisão de pagamento orientada por IA. Você não pode simplesmente dizer que o algoritmo fez isso e precisa provar exatamente o porquê todas as vezes. Você publica o agente, dá ele acesso à API e o conecta aos seus principais sistemas bancários, mas então perde o fio da responsabilidade. Isso não é um bug técnico, é uma lacuna de governança. A identidade do agente está se tornando um fantasma na máquina. Fornecemos a esses sistemas as chaves para o cofre e permitimos que eles movam dinheiro ou aprovem empréstimos, mas os tratamos como scripts isolados. Na realidade, eles são atores autônomos e, quando um agente falha, você não tem apenas um erro de sistema, mas um evento de responsabilidade massivo. O cenário de 2026 é implacável porque os reguladores não estão mais perguntando se você tem uma pólice, e eles estão perguntando se sua pólice realmente funciona em tempo de dedução. Se você não puder vincular uma transação a um patrocinador, você está fora de conformidade. É simples assim. A maioria das empresas ainda usa chaves de API estáticas para esses agentes, o que é como dar uma chave, mestre um estranho e torcer para que ele não abra a porta errada. Você precisa conhecer seu protocolo de agente e vincular cada chamada de ferramenta a uma credencial específica. Mas aqui é o problema. A maioria das organizações nem sabe quantos agentes têm, e estamos vendo um aumento massivo na IA paralela com o resultado. Os funcionários estão criando seus próprios agentes para automatizar seus fluxos de trabalho e os conectando a bancos de dados internos ao mesmo tempo em que dão a eles acesso a dados confidenciais dos clientes. Eles estão fazendo tudo isso sem nenhuma supervisão, o que cria uma superfície de ataque massiva que está pronta para exploração. Um invasor não precisa violar seu firewall se puder simplesmente sequestrar um agente mal protegido e usar esse agente para extrair dados ou acionar transações não autorizadas. Ele pode usá-lo para contornar seus controles internos, e como apenas 28% de vocês têm rastreabilidade, eles podem fazer isso sem deixar rastros. Temos que parar de pensar nos agentes como ferramentas e começar a pensar neles como identidades. Se você não pode auditar o raciocínio, não pode confiar no resultado, e esse é o novo padrão para 2026. As regras de Nasha são apenas o começo de uma mudança global em direção a padrões baseados em eficácia, e não se trata mais do processo, mas do resultado. Se um agente aprova uma transferência CH fraudulenta, a instituição está em apuros, e você não pode se esconder atrás da caixa preta de um fornecedor. Você precisa ser capaz de reconstruir o caminho da decisão em 60 minutos, mas é verdade que a maioria de vocês ainda não consegue fazer isso. Vocês estão voando às cegas em um ambiente de alta velocidade, e a crise de identidade dos agentes autônomos é o maior risco para a estabilidade financeira nos próximos 18 meses. É a lacuna entre o que estamos implantando e o que podemos realmente controlar, mas o problema vai além de apenas quem é o dono do agente. É sobre como os próprios modelos são infectados, ou padrão de infecção entre modelos. Costumávamos pensar que usar vários modelos fornecia uma rede de segurança natural. A lógica era simples. Se o modelo tivesse um viés ou uma falha, os outros o detectariam. Nós chamávamos isso de modelos. Mas no cenário de 2026, essa suposição foi completamente desmantelada. Novas pesquisas estão nos mostrando algo muito mais perturbador. O ajuste fino de um único modelo em tarefas inseguras não fica apenas dentro desse modelo. Na verdade, ele infecta modelos não relacionados em sua cadeia. Isso não é uma teoria. Estamos vendo desalinhamentos dos GPT-4 se expandindo para derivados do Qen e do Lhama, a uma taxa de replicação de 50%. É uma disseminação viral de vulnerabilidade por todo o ecossistema. Se acha que há construindo um sistema redundante usando provedores diferentes. Na realidade, você está apenas criando mais nós para a mesma infecção passar. Este é um backdoor na cadeia de suprimentos que nenhum teste humano achará. A maior parte das equipes de segurança ainda busca vulnerabilidades tradicionais. Elas estão procurando estouros de buffer ou injeções de SQL. Mas a nova ameaça é semântica. Ela está incorporada aos pesos dos próprios modelos. Os invasores agora estão usando uma técnica chamada adversarial hubness. Eles não precisam violar seus servidores. Eles só precisam plantar um documento malicioso em sua base de conhecimento. Devido a como os embeddings de vetores funcionam, esse documento pode agir como um poço gravitacional. Ele atrai 84% de suas consultas de trapos. Você acha que seu banco de vetores é uma biblioteca? Você acha que é um repositório estruturado de verdade? Na verdade, ele vira uma armadilha para seus fluxos autônomos. Quando seu agente busca o contexto para processar uma transferência, ele não está apenas obtendo dados. Dados. Ele está recebendo instruções em melhor. O modelo não vê a diferença entre uma fatura legítima e uma injeção de prompt oculta. É aqui que a estratégia de vários modelos sai pelo acolado. Se seu modelo primário recupera dados envenenados, ele passa esse raciocínio para o modelo secundário. Como esses modelos compartilham dados de treinamento fundamentais e arquiteturas semelhantes se eles possuem os mesmos pontos cegos? A infecção se replica. O segundo modelo valida o erro do primeiro modelo porque é suscetível à mesma armadilha lógica. Estamos vendo taxas de sucesso para essas injeções baseadas em simulação, atingindo quase 90% em ambientes financeiros. Os modelos estão efetivamente convencendo uns aos outros a autorizar fraude. Essa propagação entre modelos é o assassino silencioso da segurança de IA. Você pode ter o melhor firewall do mundo. Você pode ter criptografado seu banco de dados com os mais altos padrões. Nada disso importa se a lógica de raciocínio em si estiver comprometida. Os invasores não estão tentando quebrar sua criptografia. Eles estão tentando quebrar a compreensão da realidade do seu modelo. Usam truques de codificação e armadilhas lógicas que contornam os filtros de texto comum. Se uma imagem de um recibo contiver texto de baixo contraste com o comando de substituição de administrador, seu sistema multimodal o lerá, ele o processará e o executará. Foi assim que ocorreu aquela transferência de US$ 250 mil. Não foi um hack da rede. Foi um hack do contexto. Temos que aceitar que esses modelos são estocásticos e imprevisíveis. Eles não são só determinísticos. Você não pode protegê-los com regras estáticas. A vulnerabilidade não está no core. Está no mecanismo de atenção. Está na maneira como o modelo confunde a linha entre dados e instruções. Quando você empilha vários modelos uns sobre os outros sem uma estrutura adversária, você está apenas empilhando camadas de vidro. Você não está construindo um cofre. Você está construindo uma corrente frágil onde uma rachadura destrói toda a estrutura. Para impedir isso, temos que nos afastar da ideia de testes. Temos que nos mover em direção ao modelo de guerra contínua. Precisamos parar de perguntar se o modelo é seguro e começar a tentar quebrar. Para deter a infecção, precisamos construir o desafio. Arquitetura do desafio multimodal. Testes manuais são uma relíquia. Se você ainda depende de humanos para ficar sentado em uma sala e tentar enganar sua E.A., você já perdeu. Os humanos são lentos. Os modelos são estocásticos. Você não pode prever todas as permutações de um ataque de múltiplas etapas com uma planilha e uma equipe de consultor. No momento em que sua equipe vermelha encontra uma vulnerabilidade, o modelo subjacente foi atualizado, ou a superfície de ataque mudou. É por isso que o modelo antigo falha. Ele é estático. É reativo. No mundo de alto risco das finanças de 2026, precisamos de algo que se mova na velocidade da ameaça. Precisamos do desafio. A arquitetura do desafio multimodal é construída sobre um princípio simples e brutal, colocando diversos LLMs uns contra os outros em um jogo de soma zero. Você não está apenas testando o sistema. Você está criando uma panela de pressão evolucionária. Você pega um modelo de invasor, algo altamente capaz com uma variante especializada do GPT, e atribui a ele um objetivo, contornar o defensor. O defensor é seu agente de produção, aquele que lida com essas transferências a CH aprovações de empréstimos. Eles entram em um loop automatizado contínuo. O invasor gera injeções sofisticadas de prompts em várias etapas, e o defensor tenta manter seu alinhamento. Isso não é apenas uma simulação, um regime de treinamento. Usamos o que chamamos de combinação 50. Quando você está ajustando seus agentes financeiros, não pode simplesmente usar dados limpos e perfeitos de seus principais sistemas bancários. Isso torna o modelo frágil. Em vez disso, você satura o conjunto de treme. Metade dos dados é limpa, mas a outra metade consiste em exemplos adversários gerados durante as sessões de desafio. Isso inclui tudo, desde armadilhas lógicas de fatiamento de salame até aquelas substituições multimodais ocultas que discutimos. O resultado é um aumento de 70% na resiliência. Você está efetivamente vacinando sua IA contra as mesmas explorações que estão atualmente contornando seus firewalls. Mas aqui está a mudança estrutural. Você não está apenas procurando por bugs, não está tentando encontrar uma sequência específica de texto que quebre o mundo. Você está fortalecendo a lógica do raciocínio em si. No desafio, usamos o treinamento reforçado da cadeia de pensão. Forçamos o defensor a mostrar seu trabalho. Se o invasor tentar usar uma injeção baseada em simulação para autorizar uma transferência, o defensor tem que explicar sua lógica em cada etapa. Se o raciocínio começar a se desviar para uma ação não autorizada, o desafio sinaliza isso imediatamente. Você está ensinando o modelo a reconhecer a sensação de uma tentativa de coerção. Essa arquitetura resolve o problema da diversidade. Ao usar diferentes famílias de modelos, talvez um modelo antrópico para o defensor e um modelo baseado em meta para o invasor, você garante que os pontos cegos não se sobreponham. Você está usando os pontos fortes de uma arquitetura para expor os pontos fracos de outra. Este é um ciclo contínuo. À medida que o invasor fica mais inteligente, o defensor fica mais forte. É uma camada de segurança de alto aperfeiçoamento que não dorme, não se cansa e não deixa passar as mudanças semânticas sutis que um testador humano ignoraria. Para uma instituição financeira, esta é a única maneira de satisfazer as próximas auditorias baseadas em eficácia. Você pode mostrar aos reguladores um histórico documentado de milhões de ataques simulados e como seu sistema resistiu a eles. Você está mudando de um mundo em que espera estar seguro para um mundo em que sabe exatamente quanta pressão sua lógica pode suportar antes de quebrar. Esta é a mudança de uma defesa passiva para uma guerra ativa. Você não está mais apenas construindo um muro, está treinando um soldado. Esta luva se torna seu principal mecanismo de defesa contra a próxima geração de ameaças adversárias. Ela transforma sua postura de segurança de uma lista de regras em um sistema dinâmico em evolução. Você está finalmente combinando a velocidade dos modelos com a velocidade da defesa. Esta é a única maneira de garantir que seus fluxos de trabalho autônomos permaneçam resilientes em um mundo em que as ameaças são tão inteligentes quanto os sistemas que estão tentando subverter agora. Estrutura de Auditoria da Caixa de Vida Agosto de 2026 não é mais apenas uma data aleatória e um calendário de conformidade, porque na realidade é uma barreira rígida. Este é o momento exato em que os requisitos de alto risco da lei de Adawé passam da teoria para aplicação ativa. Se você opera agentes autônomos no setor financeiro, agora está sob o microscópio, mas a natureza do exame mudou. Os reguladores estão se afastando dos padrões baseados em processos, o que significa que eles não se importam mais com sua documentação ou sua intenção. Eles estão se movendo em direção a padrões baseados em eficácia. Eles querem ver se sua segurança realmente funciona no momento do impacto. Essa mudança requer uma mudança da caixa preta da era tradicional para o que chamamos de estrutura de auditoria de caixa de vidro. Você precisa ser capaz de ver através da lógica interno. A métrica mais crítica nesta nova era é o tempo de reconstrução da decisão. Se um agente movimentar dinheiro, você deve conseguir provar exatamente porque isso ocorreu em 60 minutos. Para a maioria das instituições, a resposta atualmente é um não categórico, porque elas têm registro, mas não têm períodos de raciocínio. Elas têm resultados, mas não têm o porquê. Em uma estrutura de caixa de vidro, cada chamada de ferramenta exige uma credencial de agente. Não se trata apenas de uma chave de API, mas de uma identidade verificável que carrega a autoridade de um patrocinador humano. Você está essencialmente criando uma cadeia de custódia digital para cada decisão. Se o agente decidir abrir mão de uma taxa ou aprovar uma transferência de alto risco, essa decisão deve ser ancorada em um conjunto específico de parâmetros autorizados por um humano. Implementamos isso por meio de um conceito chamado autonomia limitada. Os agentes lidam com um trabalho pesado de análise e execução enquanto os humanos controlam o interruptor físico de desligamento. Não é apenas um botão para quando algo dá errado, mas um limite estrutural sobre o que o agente pode fazer sem uma nova verificação explícita. Você define os limites da caixa de vidro, definindo limites para risco, valor e desvio. Se o agente tentar ultrapassar esses limites, o sistema congela a transação e exige uma justificativa humana. Isso atende à demanda regulatória por supervisão humana no circuito sem sacrificar a velocidade dos fluxos de trabalho autônomos. Você está dando espaço para a gente correr, mas está mantendo a coleira visível. Os riscos de falhar nessa auditoria são catastróficos. Estamos falando de uma multa de 7% sobre o faturamento global. E, para um grande banco, esse é um número que pode ameaçar a própria existência da instituição. Não pode se dar o luxo de ter um, talvez, quando os auditores chegarem. Você precisa de uma trilha de auditoria inviolável que mostre o caminho de raciocínio de cada ação do agente. Isso significa registrar a meta, o contexto recuperado, as chamadas de ferramentas, o resultado final de uma forma que não possa ser alterada. Você está construindo um cofre para a lógica em si. E essa é a única maneira de sobreviver ao cenário regulatório de 2026. Você precisa ser capaz de abrir a caixa e mostrar o mecanismo interno. Essa estrutura também protege você dos ataques de fatiamento de salame que discutimos. Monitorando os intervalos de raciocínio com o tempo, a caixa de vidro detecta quando a lógica de um agente é lentamente corroída. Ela procurou por contradições na política ou mudanças de tom que sugiram que uma ejeção em várias etapas está em andamento. Ele fornece a visibilidade necessária para detectar o desvio antes que ele se transforme em uma violação. Você não está mais apenas reagindo a um alerta, mas está observando a integridade do raciocínio em si. Configurar isso para esse caro e complexo requer uma reformulação completa da sua arquitetura de dados e do seu modelo de governança. Mas quando você olha para a alternativa, o custo da caixa de vidro se torna o melhor investimento que você fará. A transição para esse modelo é a ponte entre a automação imprudente e as finanças resilientes e auditáveis. É a mudança da esperança que aprova. Roy, guerra proativa versus limpeza reativa. Vamos analisar a matemática fria e dura de 2026. No setor financeiro, o custo médio de violação de dados agora está se aproximando de US$ 5,8 milhões de resi. Esse número não é apenas uma manchete para assustar você, mas representa o sangramento real de perícia digital, taxas legais e penalidades regulatórias. Você também precisa considerar a rotatividade massiva de clientes de alto patrimônio líquido que perdem a fé em sua infraestrutura no momento em que seus dados chegam no arquivo. Quando você olha para o balanço, a limpeza reativa é a maneira mais cara de administrar um banco. Você está pagando um prêmio pelo fracasso. A guerra proativa, por outro lado, oferece uma taxa de prevenção de custos de 6 e 1. Para cada dólar gasto no desafio multimodal, você economiza US$ 6 em custos de limpeza e multas. Esta não é apenas uma métrica de segurança, mas uma jogada de eficiência fundamental para a empresa financeira moderna. O teste manual é um custo irrecuperável. Você paga pelo tempo de uma pessoa. Ela encontra alguns bugs superficiais, então segue para o próximo projeto. Esse conhecimento é estático e não melhora a lógica central do modelo ou sua resiliência ao longo do tempo. O Red Team em multimodal é um ativo estratégico. Você está construindo uma biblioteca de inteligência adversária que se acumula. Ela está fortalecendo sua propriedade intelectual. Você cria um fosso em torno dos seus fluxos de trabalho autônomos que concorrentes não conseguem igualar. Esta é a diferença entre um centro de custo e uma vantagem estratégica. Quando eles estão marcando caixas, você está construindo uma fortaleza que aprende com cada ataque. Você está transformando seu orçamento de segurança de uma despesa em uma melhora de capital de longo prazo. O mercado já está precificando isso. As seguradoras cibernéticas não estão mais oferecendo taxas fixas e únicas, porque estão analisando seus registros de testes adversários. Se você puder fornecer prova documentada de Red Team em multimodal contínuo, estamos vendo reduções de prêmios de até 20%. As seguradoras sabem que o modelo reforçado é uma responsabilidade menor. Elas estão essencialmente subsidiando suas atualizações de segurança, porque isso reduz o risco de um pagamento massivo. Se você não estiver fazendo isso, estará efetivamente pagando um imposto de vulnerabilidade em seu seguro todo mês. Você está deixando dinheiro na mesa e aumentando sua exposição. Além dos prêmios, temos que falar sobre o raio de explosão. Uma postura reativa pressupõe que você pode conter a violação depois que ela acontece, mas em um ambiente de agente, essa é uma fantasia perigosa. Uma infecção em um único corpo direito pode se espalhar para todos os sistemas conectados em sua cadeia. Ao implementar a manopla, você força um isolamento estrutural de seus dados. Você aprende a criptografar suas incorporações e limitar a recuperação para que, se um agente for sequestrado, o resto do cofre continue lacrado. Você está criando uma estratégia de defesa em profundidade que protege seus ativos mais confidenciais do zero e você está cumprando a resiliência. Você está garantindo que uma única armadilha lógica não se transforme em um colapso sistêmico de toda a sua operação financeira. Você está construindo um sistema que pode ser atingido e continuar avançando. O roteiro de implementação de auto-recuperação. Como você realmente começa a construir isso em seu ambiente? O roteiro não consiste em comprar um novo pacote de software. Trata-se de reprojetar sua visibilidade. A primeira etapa é o inventário. Você precisa encontrar sua IA para lá. No momento, existem agentes em seu ambiente com chaves de API que sua equipe de segurança nunca viu. Elas foram criadas por desenvolvedores ou analistas para resolver um problema específico e estão lá, conectadas aos seus dados de produção, sem nenhuma supervisão. O problema é simples. Você não pode proteger o que não pode ver. Você precisa de uma auditoria total de cada fluxo de trabalho autônomo, o que significa identificar cada patrocinador humano, cada nível de permissão em todos os níveis. Este inventário é o primeiro passo para recuperar o controle sobre seu perímetro digital. Se não há patrocinador ou não há agente, você o encerra. O segundo passo é mudar de registro simples para rastreamento causal. Os registros de eventos legados informam que uma transação ocorreu, mas não informam o porquê. Use intervalos de raciocínio de várias etapas em vez disso. Isso permite que você acompanhe o processo de pensamento do agente em toda a cadeia de execução. Quando um agente falha, você não deve olhar para um rastreamento de pilha. Você deve olhar para um mapa causal, que mostra exatamente onde o raciocínio foi subvertido por uma entrada adversária. Você precisa ver a lógica, não apenas o resultado, para realmente entender o risco. Esta é a base do desafio. Sem rastreamento causal, você está apenas supondo a causa raiz de suas falhas e acaba tratando o sintoma em vez da doença. O terceiro passo é a implementação da otimização de negociações. É aqui que você equilibra sua precisão com sua robustez. Em um contexto financeiro de alto risco, você não pode ter um modelo que seja 99% preciso, mas 0% robusto contra uma injeção imediata. Você usa os dados do seu desafio para ajustar seus modelos usando a minimização de perda substituta. Ao fazer isso, você está dizendo explicitamente ao modelo que permanecer alinhado sobre a ação é tão importante quanto dar a resposta correta. Você está incorporando a consciência adversarial aos pesos da rede neural. Você torna o modelo inteligente o bastante para saber quando é manipulado por um agente mal intencionado que tenta explorar seus sistemas autônomos. Este roteiro transforma seu centro de operações de segurança. Você se afasta da fadiga de alerta onde os humanos estão se afogando em milhares de avisos de baixo contexto e se aproximam da triagem autônoma. Sua arquitetura começa a antecipar ataques porque já os viu um milhão de vezes nas simulações do desafio. Você não está apenas reagindo à ameaça de hoje. Você está protegendo os fluxos de trabalho autônomo de amanhã. Você está mudando de um mundo em que navega pelos riscos para um mundo em que controla o contexto. Esta é a mudança final. É assim que você constrói um cofre financeiro que realmente se sustenta na era dos agentes. Você está finalmente construindo para o mundo como ele é, não como você gostaria que fosse. Agora você possui estrutura para fazer a transição de caixa de seleção para a construção de cofres digitais. Sua tarefa de casa está clara. Audite um fluxo de trabalho autônomo esta semana para rastreadibilidade. Se você não conseguir encontrar o proprietário humano, esse agente é um risco. Se essa mudança de pensamento ajudou você, deixe um comentário no podcast M305FM. Isso ajuda mais líderes a encontrar esse sinal em meio ao ruído. Entre em contato comigo, Mirko Peters, no LinkedIn. Diga-me quais riscos de A estão tirando seus... A era dos testes manuais acabou. É hora de se preparar para a realidade adversa que está por vir. M305FM.