Cyware Quarterback AI (Agentic AI)

Nota da subpasta 05 - Plataformas de IA para Segurança, no Capítulo 24 (Ferramentas e Plataformas Atualizadas).
Trata do Quarterback AI da Cyware como agente de IA para orquestração de resposta: a diferença entre copiloto e agente autônomo, as capacidades de triagem, enriquecimento e orquestração e os guardrails de governança.
Dialoga com as notas de CrowdStrike Charlotte AI e de Microsoft Security Copilot da mesma subpasta, e com as notas de Splunk com ES e SOAR da pasta 02.

1. Contexto e Posicionamento na Biblioteca

As duas notas anteriores da subpasta trataram do copiloto, o modelo de IA que sugere e deixa a execução com o analista. O Quarterback AI, anunciado pela Cyware em 2025, ocupa a posição seguinte no espectro de autonomia: um agente de IA que recebe o caso, planeja os passos, executa as ações nas ferramentas integradas e devolve o resultado, operando como um integrante júnior do time com supervisão humana nas decisões de maior impacto. A metáfora do nome é explícita, o agente coordena a jogada da resposta a incidentes como um quarterback coordena a campanha, chamando as ferramentas e os playbooks certos para cada situação.

O interesse da biblioteca no modelo agêntico não é seguir tendência, é mapear com precisão o que muda na operação quando a IA passa de sugestão para execução. O copiloto reduz o tempo de interpretação; o agente promete reduzir o tempo de execução, o trecho da resposta onde minutos viram dano. Essa promessa vem com a categoria de risco correspondente, o erro de ação automatizada em escala, e é por isso que metade desta nota trata de capacidades e a outra metade trata de governança.

Vale fixar o vocabulário antes das capacidades. Agente, nesta nota, é um componente que decide dentro de escopo autorizado e executa cadeias de ação nas ferramentas, com trilha completa; copiloto é o que responde sob comando e não executa. O espectro entre os dois é contínuo, e a posição do Quarterback AI, no modo supervisionado, é deliberada, porque executa as etapas benignas e submete as de impacto a aprovação humana.

2. Copiloto versus Agente Autônomo

A diferença entre copiloto e agente não é de marketing, é de arquitetura de responsabilidade. No copiloto, o humano decide e executa, e a IA encurta o caminho até a decisão com narrativas, consultas e propostas; a fronteira de autonomia é a tela do analista. No agente, a IA decide dentro de um escopo autorizado e executa, e o humano passa a governar por exceção, aprovando as transições de maior impacto e auditando o resto; a fronteira de autonomia é o catálogo de ações permitidas e os guardas definidos na plataforma. Entre os dois extremos existe o modo supervisionado, em que o agente executa as etapas benignas de forma autônoma e submete as etapas intrusivas a aprovação, e é nele que o Quarterback AI opera por desenho.

O desenho técnico do Quarterback AI combina um raciocínio de linguagem natural com o motor determinístico de orquestração da Cyware. O agente interpreta o caso, monta um plano, e cada passo do plano vira uma chamada a playbooks e conectores do ecossistema Cyware, incluindo orquestração, threat intelligence e colaboração, além de integrações com ferramentas de terceiros. A parte determinística é o que torna o modelo agêntico governável: o LLM propõe, mas a execução passa por esquemas de ação validados, e não por chamadas livres, o que reduz o risco de alucinação se converter em ação indevida.

O desenho também resolve um problema prático de ferramenta. Playbooks de SOAR são rígidos e quebram nas exceções, e analistas são flexíveis e não escalam; o agente tenta capturar o melhor dos dois, com a rigidez na execução, que é determinística e auditável, e a flexibilidade na decisão, que é o papel do raciocínio sobre o caso. A promessa só se sustenta se a camada de decisão tiver os mesmos freios da camada de execução, e é isso que a seção de governança detalha.

A lista abaixo resume o espectro de autonomia que esta subpasta cobre e a nota correspondente a cada posição.

• Assistivo: a IA sugere, o humano decide e executa, como as notas de Charlotte AI e Security Copilot descrevem.
• Supervisionado agêntico: a IA executa etapas benignas e submete etapas de impacto a aprovação, posição do Quarterback AI.
• Autônomo: a IA executa o ciclo completo dentro de limites, posição que nenhum desenho maduro adota sem guardas extensas e maturidade comprovada.

3. Capacidades: Triagem, Enriquecimento e Orquestração

As capacidades do Quarterback AI se organizam em três anéis que se somam. O primeiro anel é a triagem automatizada: o agente consome a fila de alertas, deduplica, correlaciona eventos de fontes diferentes, prioriza por risco e prepara o caso com o contexto mínimo para decisão. O segundo anel é o enriquecimento: sobre o caso priorizado, o agente consulta reputação, detona URLs e anexos em sandbox, cruza telemetria de EDR e repositórios de intelligence, e transforma um alerta cru em um caso com evidência contextual. O terceiro anel é a orquestração: sobre o caso enriquecido, o agente executa os playbooks de resposta, chamando contenção, bloqueio, busca e notificação conforme o plano autorizado.

• Triagem automatizada: deduplicação e correlação de alertas de múltiplas fontes, com priorização por risco e redução da fila que o analista toca manualmente.
• Enriquecimento: reputação, detonação em sandbox, contexto de EDR e intelligence consultados automaticamente e anexados ao caso.
• Orquestração de playbooks: execução de cadeias de ações nas ferramentas integradas, com adaptação do caminho conforme o resultado de cada etapa.
• Colaboração e notificação: acionamento do dono certo, comunicação com o usuário afetado e atualização do status no canal do time.
• Relato: resumo executivo do caso com linha do tempo, ações tomadas e evidências, pronto para o registro e para a gestão.

O diferencial do desenho agêntico sobre um SOAR clássico não é a lista de capacidades, que o SOAR já tem, e sim a camada de decisão entre elas. Um playbook tradicional roda o mesmo caminho sempre, e as exceções caem na fila humana; o agente avalia o caso, escolhe o playbook, ajusta parâmetros e decide quando o desvio exige humano. É essa camada que produz a redução de MTTR prometida pela categoria, e é a mesma camada que concentra o risco, o que explica o peso da seção seguinte.

A cadeia entre os três anéis é o que produz o efeito operacional. Sem triagem, o agente enriquece o que não importa; sem enriquecimento, o agente orquestra resposta sobre contexto insuficiente; sem orquestração com portões, a resposta depende do analista em cada passo e o MTTR volta ao padrão manual. Times que avaliam a ferramenta devem exigir demonstração da cadeia completa, e não de um anel isolado em ambiente preparado.

4. Governança e Guardrails

A governança de um agente de resposta começa pelo catálogo de ações, e não pelo modelo. Cada ação que o agente pode executar precisa estar declarada em esquema validado, com parâmetros tipados, escopo de alvo permitido e classificação de impacto. Ações de baixo impacto, como enriquecer, notificar e registrar, rodam em modo autônomo; ações de impacto, como isolar host, bloquear conta e remover mensagens em massa, exigem aprovação humana com janela de tempo definida; e ações destrutivas ficam fora do catálogo do agente, com execução manual documentada. O catálogo é o contrato entre a autonomia e a organização, e ele precisa ser versionado como código, com revisão formal a cada mudança.

A lista abaixo resume os guardrails mínimos que esta biblioteca considera obrigatórios antes de qualquer operação agêntica em produção.

• Catálogo de ações versionado em esquema validado, com classificação de impacto por ação e proibição explícita de ações destrutivas.
• Portões de aprovação humana para ações de impacto, com janela de decisão, escala de escalonamento e registro de quem aprovou.
• Trilha de auditoria por chamada de ferramenta, com ator, insumo, parâmetros, resultado e carimbo de tempo, imutável e consultável.
• Limites de rajada e de raio de dano, como número máximo de hosts isolados por hora e bloqueio de ações em massa sem aprovação dedicada.
• Interruptor de emergência que suspende o agente em segundos, com procedimento ensaiado para retomar o caso em modo manual.
• Validação periódica dos playbooks orquestrados via exercício purple, confirmando que os guardas disparam onde devem.

O ponto central da governança é que o LLM nunca executa por conta própria, ele propõe chamadas dentro do catálogo. É esse desenho, raciocínio na frente e execução determinística atrás, que separa um agente governável de um modelo com acesso a APIs, e é o critério que o analista deve usar para avaliar qualquer oferta agêntica do mercado, incluindo a deste fornecedor.

A monitoração contínua fecha o ciclo de governança. As métricas do agente, casos orquestrados, ações executadas por tipo, aprovações concedidas e recusadas e tempo por etapa, precisam de painel próprio, com revisão mensal que compare a execução com o catálogo. Drift entre catálogo e prática, com ações manuais que o time executa fora do registro, é o alerta precoce de que a governança está perdendo aderência.

5. Tabela Comparativa: Copiloto versus Agente

A tabela consolida o contraste que as três notas da subpasta constroem, usando o Charlotte AI e o Security Copilot como representantes do copiloto e o Quarterback AI como representante do agente.

A leitura estratégica da tabela é de complementaridade e de maturidade. O copiloto entrega ganho imediato com risco contido, porque o humano permanece na execução, e é o degrau certo para a maioria dos SOCs começar. O agente entrega ganho maior no tempo de execução, e exige maturidade de governança proporcional: catálogo revisado, portões testados e trilha auditada. Pular do copiloto inexistente direto para o agente autônomo é o erro de adoção que a biblioteca aponta com mais ênfase nesta subpasta.

A tabela também serve de guia de avaliação de fornecedores. Perguntas como quem aprova a ação, onde está a trilha e o que acontece quando a guarda falha separam ofertas agênticas maduras de demonstrações embaladas, e as respostas precisam apontar para o catálogo de ações e para o registro auditável, e não para a qualidade do modelo. O modelo muda a cada trimestre; o contrato de execução é o que fica.

6. Cenários de Adoção por Maturidade do SOC

A adoção do modo agêntico acompanha a maturidade do SOC, e a tabela abaixo organiza os cenários com os pré-requisitos correspondentes. O erro inverso, adotar o cenário avançado sem os pré-requisitos, aparece nos programas que compram a categoria antes de ter fila integrada e trilha auditável.

O turno noturno merece nota própria, porque é o cenário em que o agente entrega o ganho mais visível e também o risco mais sensível. Com o time mínimo, a fila do turno costuma esperar horas por triagem, e o agente como primeiro respondente reduz esse tempo a minutos, mantendo as decisões de produção na escala do escalonamento. O desenho exige que o interruptor de emergência e a cadeia de escalonamento estejam ensaiados, porque a madrugada é o pior momento para descobrir que a exceção não tem dono.

7. Exemplo de Playbook Orquestrado por Agente

O cenário: um usuário relata phishing pelo portal da empresa, e o agente assume o caso do relato até o fechamento. O playbook abaixo descreve a cadeia orquestrada, com o modo de cada etapa e os guardas aplicáveis.

playbook: resposta-phishing-agente-01
gatilho: relato de phishing do usuario no portal
etapas:
  - id: 1
    acao: extrair cabecalhos, remetente, anexos e URLs do e-mail relatado
    modo: autonomo
  - id: 2
    acao: detonar URLs no sandbox e consultar reputacao no TIP
    modo: autonomo
  - id: 3
    acao: cruzar destinatarios que abriram ou clicaram com telemetria do EDR
    modo: autonomo
  - id: 4
    acao: coletar hashes e processos filhos dos hosts que clicaram
    modo: autonomo
  - id: 5
    acao: isolar de rede o host com confirmacao de execucao maliciosa
    modo: aprovacao humana, janela de 5 minutos, escopo de um host por decisao
  - id: 6
    acao: bloquear remetente e dominio no gateway de e-mail e remediar mensagens das caixas
    modo: aprovacao humana, escopo limitado ao dominio do remetente
  - id: 7
    acao: registrar caso, IOC no TIP e resumo executivo no canal do time
    modo: autonomo
guardrails:
  acoes_proibidas: [reiniciar_host, apagar_arquivo, bloquear_conta_de_diretoria_sem_aprovacao_dupla]
  limite_rajada: no maximo 3 isolamentos por hora sem aprovacao dedicada
  interruptor: suspensao do agente em segundos com retomada manual do caso
  trilha: cada chamada registrada com ator, insumo, parametros e resultado

A leitura operacional do playbook mostra onde o agente ganha tempo e onde o humano permanece. As etapas 1 a 4, que em fila manual consomem a maior parte do tempo de triagem de phishing, rodam em minutos sem intervenção, e o caso chega ao analista já com veredito de sandbox, lista de clicantes e contexto de execução. As etapas 5 e 6, que afetam produção, passam por portão humano com janela curta, e o analista aprova com o contexto completo em vez de aprovar às cegas. O relato do usuário à contenção, que em fila manual costuma ultrapassar uma hora, cai para poucos minutos, e é essa métrica, e não o número de playbooks, que valida o programa.

O efeito do playbook sobre as métricas do programa aparece na comparação direta entre a fila manual e a operação com o agente supervisionado, resumida na tabela abaixo com valores típicos de ordem de grandeza.

Os números são ordens de grandeza para calibrar expectativa, e não promessa de contrato. O que a tabela mostra de estrutural é que o agente move o gargalo da execução para a aprovação, e é por isso que a janela de decisão do portão, cinco minutos no exemplo, se torna a métrica crítica do programa a partir da adoção.

8. Erros Comuns e Pontos de Atenção

• Conceder autonomia para ações destrutivas no primeiro dia de operação, ignorando a curva de confiança que a governança exige.
• Operar o agente sem trilha de auditoria por chamada de ferramenta, perdendo exatamente a propriedade que justifica a automação.
• Definir guardas vagas, como bloquear quando necessário, que transferem a decisão de volta para o modelo sem contrato testável.
• Medir o programa com métricas de copiloto, como número de perguntas respondidas, quando a métrica correta é MTTR e taxa de resolução sem escalada.
• Confundir veredito de enriquecimento com veredito de caso, e aceitar a reputação do sandbox como prova final sem análise técnica.
• Rodar playbooks orquestrados sem validação purple prévia, descobrindo em incidente real que o guarda não dispara.
• Operar sem interruptor de emergência ensaiado, transformando a suspensão do agente em projeto improvisado sob pressão.
• Deixar o catálogo de ações divergir da prática, com ações manuais que o time executa fora do registro e invisíveis para a auditoria.
• Copiar guardas de outro programa sem adaptá-los ao catálogo e à cultura local, gerando portões que ninguém aprova no tempo da janela.
• Avaliar o agente em ambiente preparado com dados sintéticos, e levar para produção conclusões que não sobrevivem à variabilidade da fila real.

9. Integração com o Restante da Biblioteca

O Quarterback AI se conecta às notas de SOAR da pasta 02, em especial o Splunk com ES e SOAR, porque executa sobre o mesmo mecanismo de playbooks e conectores, acrescentando a camada de decisão agêntica entre o alerta e o playbook. As fontes de enriquecimento que o agente consome são as mesmas das notas de TIP da pasta 01, com reputação, intelligence e detonação, e os casos que ele orquestra se estruturam no ciclo do NIST SP 800-61, com a trilha do agente alimentando os passos de detecção, análise e contenção. Dentro da subpasta, as notas de Charlotte AI e Security Copilot definem a posição anterior do espectro, e a comparação da seção 5 é o mapa de escolha que o time usa para decidir o que adota primeiro.

A recomendação de adoção é caminhar pelo espectro com critério e medição. Comece pelo copiloto para construir a disciplina de revisão de rascunhos, em seguida adote o modo supervisionado agêntico nos dois ou três playbooks de maior volume, tipicamente phishing e malware, com portões humanos e trilha completa, e só amplie o escopo quando as métricas de MTTR e a amostragem de qualidade comprovarem que os guardas funcionam. A regra de fechamento desta subpasta é a mesma para as três ferramentas: a IA acelera o ciclo de resposta, mas a autoridade sobre as ações que tocam produção permanece formalizada, registrada e humana, e é essa divisão de trabalho que transforma o agente em capacidade operacional e não em risco não gerenciado.

O critério de coerência que fecha esta subpasta é o mesmo nas três notas: cada degrau de autonomia deve ser comprado com um degrau correspondente de governança. O copiloto compra velocidade de interpretação com revisão de rascunhos; o agente compra velocidade de execução com catálogo, portões e trilha; e ambos só entregam o valor prometido quando o resto da biblioteca está de pé, do TIP que recebe o IOC ao SIEM que versiona a detecção e ao purple team que valida o playbook. É essa interdependência, e não a tecnologia isolada, que define a adoção responsável de IA na operação de segurança.