O que é IA baseada em agentes na segurança cibernética?

Os sistemas de IA baseada em agentes geralmente são projetados com supervisão humana interna para equilibrar autonomia e controle.

Na abordagem da Microsoft para IA baseada em agentes na segurança cibernética, isso é projetado como um modelo colaborativo em que operadores humanos podem monitorar e orientar o comportamento do sistema.

Exemplos comuns incluem:

• Raciocínio transparente. Os sistemas da Microsoft fornecem contexto de suporte e justificativa com recomendações para ajudar analistas a entender as saídas do sistema e os caminhos de decisão.

• Aprovação e ajuste. As equipes podem revisar, aprovar, rejeitar ou fazer ajuste fino nas ações do sistema, incorporando comentários para melhorar continuamente os resultados.

• Controles auditáveis. As atividades são controladas por controles de segurança empresarial, como acesso baseado em função, logs de auditoria e proteções de fluxo de trabalho, para dar suporte à responsabilização e às exigências regulatórias.

A IA baseada em agentes pode responder dinamicamente a condições em mudança e ajustar seu comportamento com base no contexto por causa de um processo chamado loop baseado em agentes, uma sequência de etapas que o agente repete até cumprir sua meta.

Perceber → Raciocinar → Planejar → Act → Aprender

• Perceber. O sistema coleta informações do ambiente, incluindo logs, alertas, atividade do usuário, inteligência contra ameaças e dados de ferramentas e sistemas conectados.
• Raciocinar. Ela analisa as informações, identifica padrões, avalia riscos e determina o significado dos dados no contexto.
• Planejar. Com base em seus objetivos, o sistema desenvolve uma sequência de ações para alcançar um resultado final desejado.
• Agir. O agente executa tarefas, como isolar um dispositivo, abrir um tíquete, escalar um alerta ou coletar evidências adicionais, interagindo com ferramentas, sistemas ou fluxos de trabalho.
• Aprender. O sistema avalia os resultados de suas ações e usa comentários, novos dados e resultados anteriores para melhorar decisões e respostas futuras.

Para que a IA baseada em agentes funcione com eficiência, as equipes também precisam decidir se querem usar um sistema de agente único ou um sistema com múltiplos agentes. Um sistema de agente único depende de um agente para gerenciar tarefas e decisões, o que funciona bem quando os fluxos de trabalho são relativamente contidos e as decisões são centralizadas. Se os fluxos de trabalho forem complexos ou exigirem diferentes tipos de competências, as organizações geralmente configuram um sistema com múltiplos agentes que usa vários agentes de IA especializados para segurança cibernética que trabalham juntos em direção a uma meta compartilhada.

Mesmo com funcionalidades autônomas, a supervisão de pessoas continua sendo importante. Muitas organizações usam pontos de controle com participação humana e etapas de aprovação para ações confidenciais ou de alto risco, para ajudar a manter a governança, a responsabilização e o controle operacional.

As diferenças entre a automação tradicional, a IA generativa e a IA baseada em agentes ficam mais claras quando comparadas em dimensões centrais.

Infelizmente, empresas e governos não são os únicos a adotar a IA em ritmo acelerado. Agentes de ameaça estão usando sistemas baseados em agentes para aumentar a velocidade e a escala de seus ataques cibernéticos, o que está criando ou agravando vários desafios de cibersegurança, incluindo:

• O desafio da escala. As equipes de segurança muitas vezes enfrentam volumes avassaladores de alertas, crescente complexidade dos dados e escassez contínua de analistas.
• O desafio da velocidade. Ataques cibernéticos automatizam cada vez mais suas operações, enquanto muitos defensores ainda dependem de triagem manual e de processos de resposta a incidentes.
• O desafio da confiabilidade e da exatidão. A exposição contínua a turnos noturnos e altos volumes de tarefas repetitivas pode levar à fadiga e ao esgotamento de analistas, aumentando o risco de inconsistência e erro humano.
• O desafio da resiliência. As organizações modernas operam em ambientes híbridos que incluem plataformas de nuvem, pontos de extremidade, identidades, aplicativos e serviços de terceiros. Essa superfície de ataque em expansão aumenta o risco operacional e cria mais oportunidades para ciberataques.

A IA baseada em agentes na cibersegurança ajuda as equipes de segurança a operar com mais eficiência em ambientes que estão se tornando complexos, rápidos e interconectados demais para operações de segurança (SecOps) totalmente manuais. Isso difere da segurança de IA baseada em agentes de escopo mais amplo, que se concentra em proteger os próprios sistemas de IA.

Em vez de substituir as equipes de segurança, a IA baseada em agentes atua como um multiplicador de força em operações de cibersegurança, trazendo benefícios como:

• Menor tempo médio para detectar e responder (MTTD/MTTR). A IA baseada em agentes pode investigar alertas, correlacionar sinais e coordenar ações de resposta rapidamente, ajudando as equipes a reduzir os tempos de detecção e resposta.
• Menos fadiga dos analistas e mais tempo para trabalho de alto valor. Ao assumir tarefas repetitivas e demoradas, a IA baseada em agentes ajuda a reduzir a fadiga causada por alertas e permite que analistas se concentrem em investigações mais estratégicas e na tomada de decisão.
• Triagem e resposta consistentes e repetíveis. A IA baseada em agentes aplica fluxos de trabalho e processos de forma consistente em todos os incidentes, melhorando a confiabilidade operacional ao reduzir a variabilidade causada por operações manuais.
• Cobertura ininterrupta e escala elástica. Ao contrário das equipes humanas, a IA baseada em agentes pode operar continuamente e escalar para lidar com grandes volumes de alertas, eventos e dados sem exigir equipe adicional.
• Melhor relação sinal-ruído e priorização. A IA baseada em agentes pode analisar grandes quantidades de dados contextuais para ajudar a identificar as ameaças mais importantes, reduzindo alertas desnecessários e melhorando a priorização.
• Maior resiliência e gerenciamento proativo de risco. A IA baseada em agentes pode monitorar ambientes continuamente, identificar possíveis pontos fracos e dar suporte a medidas proativas de segurança que ajudam as organizações a reduzir o risco e melhorar a resiliência operacional ao longo do tempo.

Vários casos de uso demonstram como pessoas e agentes podem trabalhar juntos para fortalecer a segurança.

As equipes de segurança geralmente lidam com mais alertas do que conseguem investigar manualmente, o que torna a priorização essencial para uma resposta efetiva.

A função do agente:

• Enriquece alertas com inteligência contra ameaças, contexto de ativos e dados de comportamento do usuário.
• Prioriza incidentes com base na pontuação de risco e confiança.
• Recomenda as próximas etapas para investigação ou correção.

A função do analista:

• Analisa incidentes de alta prioridade.
• Valida conclusões e decisões de escalonamento.
• Lida com investigações complexas ou confidenciais.

As equipes de segurança dependem de grandes volumes de dados sobre ameaças, o que dificulta extrair rapidamente insights relevantes e acionáveis.

A função do agente:

• Coleta e resume inteligência contra ameaças de várias fontes.
• Fornece conscientização situacional em tempo real e relatórios rápidos.
• Correlaciona a atividade de ameaças entre ambientes.

A função do analista:

• Interpreta tendências estratégicas de risco e ameaça.
• Valida a relevância e o impacto da inteligência.
• Orienta prioridades e planejamento da resposta.

Identificar ameaças ocultas ou emergentes exige análise contínua em conjuntos de dados grandes e complexos.

A função do agente:

• Gera hipóteses de busca e consulta fontes de dados.
• Percorre iterativamente grandes conjuntos de dados para identificar atividade suspeita.
• Executa buscas contínuas em segundo plano por ameaças emergentes.

A função do analista:

• Valida conclusões e determina o impacto nos negócios.
• Investiga atividade de ataque cibernético avançada ou direcionada.
• Refina estratégias e prioridades de busca.

Responder a incidentes de segurança exige coordenação rápida entre atividades de detecção, investigação e contenção.

A função do agente:

• Automatiza a coleta de evidências e a documentação de incidentes.
• Elabora linhas do tempo e resume a atividade de ataques cibernéticos.
• Conclui ações de contenção com aprovação dos analistas.
• Ajuda a proteger pontos de extremidade e automatizar fluxos de trabalho de correção de vulnerabilidades.

A função do analista:

• Aprova ações de resposta de alto risco.
• Supervisiona os esforços de correção e recuperação.
• Coordena a comunicação e a revisão pós-incidente.

As organizações precisam identificar e priorizar pontos fracos de segurança antes que sejam explorados por agentes de ameaça.

A função do agente:

• Prioriza vulnerabilidades com base no nível de risco e no valor dos ativos em risco.
• Identifica exposições em ambientes de nuvem, ponto de extremidade e identidade.
• Recomenda caminhos de correção e ações de mitigação.

A função do analista:

• Determina as prioridades de correção com base no risco de negócios.
• Valida as ações recomendadas.
• Coordena os esforços de aplicação de patch e redução de risco.

Monitorar a atividade de identidade é fundamental para detectar acesso não autorizado e evitar o uso indevido de privilégios.

A função do agente:

• Detecta padrões incomuns de entrada e acesso.
• Identifica permissões suspeitas e riscos de elevação de privilégio.
• Monitora continuamente ameaças relacionadas à identidade.

A função do administrador de identidade e acesso:

• Analisa eventos de acesso de alto risco.
• Aprova alterações em políticas ou permissões.
• Investiga possível atividade de insider ou comprometimento de conta.

As equipes de segurança precisam criar e refinar continuamente a lógica de detecção para acompanhar a evolução das ameaças.

A função do agente:

• Escreve e testa a lógica de detecção.
• Valida a cobertura de detecção e identifica lacunas.
• Sugere melhorias de ajuste para reduzir falsos positivos.

A função do analista:

• Analisa e aprova atualizações de detecção.
• Alinha as detecções às prioridades da organização.
• Supervisiona a arquitetura e a estratégia de segurança de longo prazo.

Proteger dados confidenciais exige monitoramento contínuo, classificação e imposição de políticas de segurança.

A função do agente:

• Investiga e prioriza riscos de prevenção contra perda de dados e de insider.
• Automatiza a descoberta e a análise de riscos relacionados a dados confidenciais em todos os ambientes.
• Identifica violações de política e lacunas de conformidade.

A função da administração de segurança de dados:

• Avalia eventos de exposição de dados de alto risco.
• Determina exigências de conformidade e governança.
• Supervisiona decisões de correção e imposição de políticas.

A IA baseada em agentes na segurança cibernética gera mais valor quando ajuda as equipes a analisar dados, enriquecer alertas e responder a vulnerabilidades e ameaças em todo o ambiente. Para fazer isso, as organizações usam APIs para conectar agentes de segurança às ferramentas que já usam, como SOAR, detecção e resposta estendidas (XDR), gerenciamento da postura de segurança na nuvem (CSPM), gerenciamento de identidade e acesso (IAM), gerenciamento de informações e eventos de segurança (SIEM), ferramentas de detecção e resposta de ponto de extremidade (EDR) e soluções de emissão de tíquetes. Isso permite que sistemas de IA baseada em agentes recuperem informações, coordenem fluxos de trabalho, acionem ações e atualizem sistemas em tempo real.

A automação economiza muito tempo das equipes, mas ainda é importante manter o controle e a responsabilização para evitar ações não intencionais. As equipes de segurança normalmente exigem que analistas revisem decisões de alto risco, ao mesmo tempo que permitem mais autonomia para ações de menor risco. Em qualquer um dos casos, é importante estabelecer governança de dados e controles de acesso para ajudar a garantir que a IA interaja apenas com sistemas e dados aprovados.

As equipes de segurança que têm mais sucesso com IA baseada em agentes implementam ferramentas de medição para avaliar como estão cumprindo metas. Isso fornece as informações necessárias para ajustar e refinar as implementações.

As principais métricas de sucesso incluem:

Os dados que ajudam a determinar a eficácia das operações de segurança incluem:

• MTTD e MTTR.
• Número de alertas triados ou fechados automaticamente.
• Redução da taxa de falsos positivos.
• Tempo necessário para investigar e resolver incidentes.

Essas métricas dão à liderança insight sobre como a IA baseada em agentes está mudando a forma como as equipes de segurança usam o tempo:

• Horas de analistas recuperadas de investigação manual e triagem.
• Taxa de escalonamento de alertas que exigem intervenção de analistas.
• Tempo até a integração de novos analistas usando fluxos de trabalho assistidas por IA.
• Redução de tarefas repetitivas ou de baixo valor.

A liderança também pode conferir como as melhorias de segurança afetam toda a organização com métricas como:

• Custo por incidente de segurança.
• Cobertura em todos os ambientes, identidades, pontos de extremidade e recursos de nuvem
• Postura geral de conformidade e preparação para auditoria.
• Redução da exposição ao risco operacional ao longo do tempo.

Como os sistemas baseados em agentes operam com níveis variados de autonomia, governança, transparência e controle são essenciais para uma implantação segura.

• Agentes sombra e automação não gerenciada. À medida que os sistemas baseados em agentes ganham escala, as organizações podem criar, sem intenção, agentes não gerenciados ou duplicados. Sem supervisão adequada, esses “agentes sombra” podem introduzir comportamento divergente ou ações não autorizadas.
• Alucinações e falsos positivos. Como outros sistemas de IA, a IA baseada em agentes pode produzir conclusões incorretas ou interpretar dados de forma equivocada, o que pode levar a alertas desnecessários ou ações incorretas se não houver validação.
• Automação excessiva e perda de supervisão. A dependência excessiva da automação pode reduzir a visibilidade dos processos de tomada de decisão, aumentando o risco de perda de contexto ou de ações inadequadas.
• Privacidade de dados e controle de acesso. Os sistemas de IA baseada em agentes exigem acesso a dados confidenciais de segurança, o que torna críticos controles rígidos sobre permissões, limites de dados e acesso com privilégio mínimo.
• Descompasso do modelo e manipulação adversária. Com o tempo, o desempenho do modelo pode se degradar à medida que os ambientes mudam. Além disso, invasores cibernéticos podem tentar manipular entradas ou métricas para influenciar o comportamento do agente.

• NIST AI Risk Management Framework (AI RMF) fornece diretrizes para gerenciar riscos relacionados à IA em todo o ciclo de vida, incluindo governança, mapeamento, medida e gerenciamento.
• ISO/IEC 42001 estabelece requisitos para um sistema de gerenciamento de IA, com foco no desenvolvimento e uso responsáveis de sistemas de IA.
• Lei de IA da Europa introduz classificação baseada em risco e exigências regulatórias para sistemas de IA que operam na União Europeia ou a afetam.
• Regulamentações específicas por setor são exigências exclusivas para determinados setores, como a lei americana HIPAA (Health Insurance Portability Accountability Act) para proteção de dados de serviços de saúde, o Payment Card Industry Data Security Standard (PCI DSS) para segurança de pagamentos e a Sarbanes-Oxley Act (SOX) para controles de relatório financeiro.

À medida que as equipes de segurança implantam e escalam a IA para segurança cibernética baseada em agentes em suas organizações, uma estratégia bem planejada ajuda a melhorar os resultados de segurança, mantendo transparência, responsabilização e confiança entre as equipes.

As organizações normalmente introduzem a IA baseada em agentes em etapas controladas, começando com casos de uso assistivos e de baixo risco antes de expandir para ações de maior impacto. Também é importante priorizar a transparência na forma como os agentes de segurança tomam decisões.

Proteções de segurança bem definidas ajudam a limitar o comportamento do agente a limites seguros e esperados. Para reduzir o risco de comportamento inesperado, as equipes definem quais ações os agentes de IA para segurança cibernética podem concluir com autonomia, estabelecem fluxos de trabalho de aprovação para operações confidenciais ou de forte impacto visual e definem limites para quando os agentes de segurança precisam escalonar para analistas.

O controle de acesso baseado em função (RBAC) ajuda a reduzir o risco de atividade não intencional ao restringir o acesso do agente aos sistemas, dados e ações necessários para sua função específica. Por esse motivo, as equipes de identidade aplicam aos agentes os mesmos princípios de privilégio mínimo que aplicam às pessoas.

Para manter a visibilidade sobre o comportamento do agente, as equipes de segurança registram em log e auditam todas as ações do agente, incluindo decisões, uso de ferramentas e resultados. Isso ajuda essas equipes a investigar incidentes, atender às exigências regulatórias e detectar problemas de implementação que precisam de ajuste fino.

Os analistas têm mais probabilidade de adotar a IA baseada em agentes se sentirem informados e no controle. As organizações podem criar confiança garantindo que as recomendações do agente sejam claras e fáceis de entender. Elas também têm mais sucesso quando usam a IA para complementar, e não substituir, a tomada de decisões dos analistas.

Centros de operações de segurança (SOCs), equipes de TI e de conformidade desempenham um papel na implantação segura e eficaz da IA baseada em agentes, em linha com a tolerância a risco da organização. Uma equipe multidisciplinar ajuda as organizações a definir casos de uso operacionais, gerenciar integração e infraestrutura e atender às exigências regulatórias.

Criar fluxos de trabalho totalmente baseados em agentes que funcionem em todos os domínios de segurança é um processo de vários estágios. À medida que as organizações aumentam sua maturidade operacional, precisam de governança e supervisão mais fortes.

No estágio inicial, as organizações usam scripts e fluxos de trabalho predefinidos para lidar com tarefas repetitivas de segurança.

Como é o sucesso:

• Conclusão consistente de tarefas de rotina, como enriquecimento de alertas ou criação de tíquetes.
• Redução do esforço manual em fluxos de trabalho de baixa complexidade.
• Dependência de regras estáticas e guias estratégicos.

Indicadores de preparação:

• Integrações estáveis com SIEM, SOAR e sistemas de tíquetes.
• Processos de segurança claramente definidos e repetíveis.
• Alto volume de tarefas repetitivas dos analistas.

Neste estágio, a IA dá suporte aos analistas ao melhorar a visibilidade, a sumarização e a tomada de decisões, mas não executa ações diretas.

Como é o sucesso:

• Investigação mais rápida por meio de resumos e insights gerados por IA.
• Melhor entendimento dos alertas e enriquecimento de contexto.
• Os analistas continuam totalmente responsáveis por decisões e ações.

Indicadores de preparação:

• Pipelines de dados maduros e métricas centralizadas.
• Processos de operações de segurança estabelecidos.
• Necessidade de triagem mais rápida e suporte à investigação.

Aqui, a IA baseada em agentes começa a executar ações limitadas dentro de proteções de segurança definidas, enquanto as pessoas mantêm a autoridade de aprovação para operações de maior risco.

Como é o sucesso:

• Triagem, enriquecimento e etapas de correção recomendadas automatizados.
• Redução da carga de trabalho dos analistas em tarefas repetitivas de investigação.
• Aprovação com participação humana para ações de independência e correção.

Indicadores de preparação:

• Controles sólidos de identidade e acesso para sistemas de automação.
• Fluxos de trabalho de escalonamento e aprovação bem definidos.
• Confiança na qualidade dos dados e nas integrações do sistema.

No estágio mais maduro, a IA baseada em agentes opera em vários domínios, coordenando ações com intervenção mínima dos analistas dentro de limites estabelecidos. Isso permite a orquestração de segurança de ponta a ponta em toda a organização.

Como é o sucesso:

• Detecção, investigação e resposta contínuas e autônomas em todos os ambientes.
• Coordenação entre domínios entre sistemas de segurança, TI, identidade e conformidade.
• As pessoas se concentram em governança, estratégia e tratamento de exceções.

Indicadores de preparação:

• Estruturas de governança maduras para IA e automação.
• Métricas de alta confiança e integridade dos dados em todos os sistemas.
• Forte alinhamento multifuncional entre as equipes de segurança, TI e conformidade.
• Confiança estabelecida na tomada de decisões automatizada, com auditabilidade e supervisão.

A IA baseada em agentes ainda está no início de sua curva de adoção, mas várias tendências claras estão moldando como ela evoluirá na segurança.

• Equipe vermelha autônoma. Os agentes de IA vão simular cada vez mais o comportamento de adversários para testar continuamente as defesas, identificar pontos fracos e validar controles de segurança em tempo real.
• Loops de agentes. A IA baseada em agentes para operações de segurança se tornará mais contínua e capaz de se aprimorar, com agentes percebendo, agindo e aprendendo com os resultados para refinar a detecção e a resposta.
• Conflito cibernético de IA para IA. À medida que os invasores cibernéticos também adotarem a IA, os futuros confrontos cibernéticos poderão envolver sistemas baseados em agentes defensivos e ofensivos competindo diretamente entre si.
• Defesa preditiva. Em vez de reagir a incidentes, os sistemas baseados em agentes vão antecipar ameaças analisando padrões, dados de exposição e comportamento de invasores para evitar ataques cibernéticos antes que ocorram.
• Agentes de IA colaborativos. Vários agentes especializados coordenarão tarefas como detecção, investigação, correção e relatórios para criar fluxos de trabalho de segurança mais escalonáveis e resilientes.
• Evolução da função do analista. Os analistas deixarão de lado tarefas repetitivas de investigação e resposta para assumir responsabilidades de maior valor, como supervisão de agentes, projetar políticas e gerenciamento estratégico de riscos.

As organizações podem detectar, investigar e responder a ameaças em toda a infraestrutura digital com uma plataforma de segurança unificada da plataforma IA da Microsoft. No centro está o Microsoft Security Copilot, uma solução de segurança assistidas por IA e em linguagem natural que permite aos analistas raciocinar sobre incidentes, resumir ameaças e coordenar ações de resposta em diferentes ambientes. Agentes incorporados estendem essas funcionalidades às soluções de Segurança da Microsoft.

As equipes de segurança costumam ficar sobrecarregadas com o volume de alertas, a triagem manual e as investigações fragmentadas. No Microsoft Defender XDR, a IA baseada em agentes ajuda a priorizar problemas de alto risco, investigar incidentes com mais rapidez e melhorar a eficiência da resposta.

• Agente de triagem de alertas de segurança — Prioriza alertas para reduzir ruídos e ajudar analistas a se concentrarem mais rapidamente em incidentes de alto risco.
• Agente de analista de segurança — Investiga incidentes, correlaciona sinais e recomenda ações de resposta para simplificar os fluxos de trabalho do SOC.
• Agente de busca de ameaças — Pesquisa em vários ambientes para revelar ameaças ocultas, comportamento suspeito e padrões de ataque emergentes.
• Agente de detecção dinâmica de ameaças — Analisa continuamente a atividade e adapta a lógica de detecção para identificar ameaças e anomalias em evolução.
• Agente de resumo de inteligência contra ameaças — Resume a inteligência contra ameaças em insights acionáveis para que as equipes possam se antecipar aos riscos emergentes.

Juntos, esses agentes ajudam a reduzir a investigação manual e a acelerar a resposta a incidentes em pontos de extremidade, identidades, email e cargas de trabalho na nuvem.

No Microsoft Sentinel, o Security Copilot ajuda analistas a passar da investigação manual para fluxos de trabalho orientados por linguagem natural e por sequências de prompts. Os analistas podem gerar KQL, resumir incidentes, enriquecer entidades, analisar usuários e dispositivos e automatizar etapas de investigação por meio de Aplicativos Lógicos e sequências de solicitações.

Um agente personalizado de relatórios de incidentes do Sentinel pode extrair descobertas da investigação, entidades, insights e etapas de correção dos incidentes. As sequências de solicitações também podem automatizar a análise de usuários e adicionar descobertas diretamente aos logs de atividade de incidentes.

Essas funcionalidades ajudam a reduzir a escrita manual de consultas, melhorar a consistência da investigação e economizar tempo dos analistas ao automatizar tarefas repetíveis.

No Microsoft Purview, o Security Copilot ajuda as equipes a proteger e controlar dados em Gerenciamento da Postura de Segurança de Dados, Prevenção contra Perda de Dados, Gerenciamento de Risco Interno, Descoberta Eletrônica, Auditoria e Conformidade de Comunicações.

• Agente de triagem de segurança de dados — Prioriza alertas de DLP e de risco interno, explica o contexto de risco e pode iniciar fluxos de trabalho de correção com os proprietários dos dados.
• Agente de postura de segurança de dados — Descobre dados confidenciais, identifica riscos ocultos e credenciais expostas, melhora a rotulagem de confidencialidade e gera resumos prontos para executivos.

Esses agentes ajudam as equipes de segurança a reduzir a triagem manual, priorizar riscos críticos com mais rapidez e fortalecer as operações de segurança e conformidade de dados.

No Microsoft Entra, o Security Copilot ajuda as equipes a investigar usuários suspeitos, entradas incomuns, acesso privilegiado e ameaças baseadas em identidade. O Copilot pode resumir o contexto de identidade, explicar sinais de risco e recomendar ações como revogação de sessão, avaliações de acesso ou ajuste de política de Acesso Condicional.

As funcionalidades incluem agentes de identidade e acesso e o ID do Agente Microsoft Entra, que ajuda as organizações a registrar, gerenciar e controlar identidades de agentes de IA com gerenciamento do ciclo de vida, governança de acesso e controles de proteção de identidade.

Essas funcionalidades ajudam as organizações a reduzir o risco de identidade e aplicar princípios de Confiança Zero a identidades humanas e de IA.

No Microsoft Intune, o Security Copilot ajuda equipes de ponto de extremidade e de TI a entender a conformidade do dispositivo, o descompasso de configuração, a exposição a vulnerabilidades e as necessidades de correção. O Copilot pode resumir o risco do dispositivo, explicar problemas de não conformidade, recomendar próximas etapas e ajudar as equipes a responder mais rapidamente.

Agentes de gerenciamento de ponto de extremidade ajudam a automatizar verificações de conformidade, investigar problemas de dispositivo e orientar a correção em pontos de extremidade gerenciados.

Essas funcionalidades ajudam a reduzir a investigação manual de pontos de extremidade, melhorar as operações de conformidade e fechar lacunas de configuração com mais rapidez.

Juntos, o Microsoft Security Copilot e os agentes incorporados ajudam as organizações a passar de operações de segurança reativas e manuais para uma defesa adaptativa, assistidas por IA, que melhora a proteção, a velocidade e a escala em todo o ciclo de vida da segurança.