Pesquisadores de segurança usaram um modelo de inteligência artificial gratuito para invadir o TikTok e acessar a câmera e o rolo de fotos de um celular remotamente. A falha já foi corrigida, mas o método usado acende um alerta vermelho para o mercado. A velocidade com que a IA conectou brechas dispersas muda as regras do jogo para quem defende e para quem ataca.
O teste, conduzido pela empresa DepthFirst, não explorou um único erro, mas uma cadeia deles. A IA funcionou como um “detetive” que vasculhou milhões de linhas de código aberto usadas pelo aplicativo. O resultado expõe uma realidade nova: a barreira técnica para criar exploits sofisticados despencou.
Como a IA montou o quebra-cabeça da invasão
O modelo utilizado foi o GLM, desenvolvido pela chinesa Z.ai. Diferente de sistemas fechados, ele pode ser baixado e modificado livremente. Os pesquisadores o ajustaram para caçar vulnerabilidades específicas em componentes de terceiros embarcados no TikTok.
A inteligência não “hackeou” sozinha. Ela apontou trechos suspeitos no código, sugeriu vetores de teste e ajudou a validar se aquelas falhas, isoladas, podiam ser encadeadas. Foi a combinação de várias brechas menores — uma técnica conhecida como encadeamento de vulnerabilidades — que abriu o caminho para os dados sensíveis do aparelho.
- Alvo: Componentes open-source integrados ao app.
- Ferramenta: Modelo GLM (Z.ai), adaptado localmente.
- Resultado: Acesso remoto à câmera e galeria de fotos.
- Resposta: TikTok corrigiu as falhas após notificação.
O perigo não é a falha corrigida, é a escala do método
Especialistas ouvidos pelo setor apontam que o caso do TikTok é apenas a ponta do iceberg. A mesma tecnologia que permitiu a pesquisadores éticos encontrar o problema em tempo recorde está disponível para qualquer grupo com intenção maliciosa.
Automatizar a análise de código, gerar scripts de teste e correlacionar falhas distintas são tarefas que antes exigiam equipes seniores e semanas de trabalho. Agora, um único operador com uma GPU decente e um modelo aberto pode replicar o processo em horas. Isso reduz drasticamente o custo de descobrir zero-days.
Corrida armamentista: defesa também acelera
Não há motivo para pânico, mas há urgência. Times de segurança (“Blue Teams”) já adotam IAs semelhantes para varrer repositórios próprios antes do deploy. A vantagem temporária de quem ataca — surpresa e automação — tende a ser neutralizada quando a defesa internaliza as mesmas ferramentas.
O ponto crítico está nos modelos de “pesos abertos”. Como não há controle de uso após o download, não é possível auditar quem está treinando essas IAs para fins ofensivos. A governança, hoje, resume-se a boas práticas voluntárias e contratos de licença.
O que observar daqui para frente
Empresas que dependem de cadeias de suprimento de software (basicamente todas) devem exigir SBOMs (Software Bill of Materials) detalhados de fornecedores. Saber exatamente qual biblioteca roda no seu ambiente é o primeiro passo para pedir ao seu modelo de IA: “Varre este componente específico”.
Outro vetor: a execução local. Modelos leves rodando em laptops já conseguem tarefas de fuzzing e análise estática. Políticas de “traga seu próprio dispositivo” (BYOD) e gestão de endpoints precisam contemplar a possibilidade de que um colaborador — ou um malware — use IA local para sondar a rede interna.
A lição final não é técnica, é estratégica: a janela entre a descoberta de uma falha e sua exploração em massa encolheu. Quem não tiver automação de detecção e resposta baseada em IA no mesmo nível dos atacantes estará jogando xadrez contra um computador que calcula 20 lances à frente.
