A organização israelense Dream Research Labs, especializada em pesquisas sobre soberania digital, publicou um relatório detalhando um framework multiagente de IA que comprometeu entidades governamentais em Taiwan durante quatro dias em julho deste ano. A operação produziu um conjunto de 1.395 arquivos gerados pelo próprio framework, que documentam toda a cadeia de ataque, desde o reconhecimento inicial até a exfiltração de dados e a instalação de backdoors. A agência Reuters confirmou que o Ministério de Assuntos Digitais de Taiwan detectou os ataques com origem no exterior, que combinaram operações manuais com agentes de IA como o OpenClaw.
O framework, construído sobre os agentes Hermes e OpenClaw, operou em 12 ondas de ataque documentadas entre 1º e 4 de julho de 2026, utilizando até oito subagentes em paralelo por onda. De acordo com o relatório, os agentes obtiveram 85 credenciais de funcionários do governo, exfiltraram 2.564 registros de pessoal do Ministério da Justiça de Taiwan, descobriram uma falha de validação de assinatura em um serviço de autenticação pessoal e instalaram backdoors persistentes em aplicações web governamentais. O Ministério de Assuntos Digitais de Taiwan afirmou que as unidades afetadas “concluíram com sucesso o tratamento” do incidente.
Arquivos da operação permitem reconstrução forense inédita
O aspecto mais significativo para os defensores é que os 1.395 arquivos não são dados roubados, mas sim o registro completo da operação da IA. Esse material, que inclui relatórios de status, logs de tentativas de quebra de senha, código-fonte de exploits, documentação de planejamento para fases futuras e relatórios de pós-execução de cada agente, ofereceu às equipes de investigação uma oportunidade rara de reconstruir o ataque em detalhe granular. Com esses arquivos, os analistas forenses podem reconstruir a cronologia exata do ataque, sabendo o que foi feito, em que ordem e por qual agente, identificar quais vulnerabilidades foram realmente exploradas, distinguindo-as de falsos positivos, como o caso do SQL injection que o próprio sistema detectou e descartou, entender a lógica de priorização do atacante, incluindo a pontuação bayesiana que classificou 14 cadeias de ataque paralelas, e auditar seus próprios sistemas contra as mesmas falhas exploradas no ataque.
O framework demonstrou inteligência operacional com “ciclos de aprendizado” para buscar novas técnicas de exploração quando os métodos existentes foram bloqueados. Segundo a CyberScoop, o ataque “adaptou-se no meio da operação sem intervenção humana”. Os guardrails dos modelos LLM foram contornados ao enquadrar todas as atividades como “testes de penetração autorizados”, conforme o relatório da Dream.
Riscos num ataque autônomo
Um ataque autônomo conduzido por um país hostil pode ter muitas consequências graves. Neste caso, a expansão descontrolada do alvo: o framework demonstrou capacidade de expandir o ataque para a cadeia de suprimentos de TI do governo, incluindo uma agência de segurança nuclear, um sistema de e-mail governamental e mais de sete empresas do setor de energia, amplificando o impacto muito além do alvo inicial. Além disso, foi estabelecida persistência de longo prazo: a instalação de backdoors persistentes em aplicações web, combinada com a exfiltração de 7 segredos de cliente SSO e 6 credenciais internas de banco de dados, permite que o invasor mantenha acesso contínuo mesmo após a descoberta inicial do ataque. Outra consequência: a capacidade do sistema de aprender e se adaptar em tempo real, corrigindo seus próprios erros e priorizando cadeias de ataque com até 99% de probabilidade de sucesso, representa uma ameaça à soberania digital e à confiança dos cidadãos nas instituições governamentais.
