O Google DeepMind afirmou em 10 de novembro de 2026 ter usado um sistema de agentes de IA para produzir provas matemáticas sobre propriedades de segurança do código criptográfico central do Signal. O projeto, chamado AlphaProof Code, não se limita a analisar o desenho teórico do protocolo: segundo o laboratório, ele conecta as garantias especificadas pelos especialistas ao código compilado que executa nos dispositivos. A diferença importa porque falhas reais podem surgir justamente entre a especificação de um protocolo e sua implementação.

O trabalho foi feito em colaboração com a equipe do Signal e usa Lean, uma linguagem e assistente de provas que verifica formalmente cada passo aceito. O anúncio não significa que qualquer aplicativo passou a ser automaticamente seguro por ter IA no processo. Ele mostra, porém, um caminho concreto para ampliar uma prática de segurança historicamente lenta, cara e dependente de especialistas: a verificação formal de software crítico.

O que o AlphaProof Code verificou — e o que isso não prova

Criptografia de ponta a ponta depende de duas camadas que precisam estar corretas ao mesmo tempo. A primeira é o protocolo: as regras matemáticas que definem como chaves são criadas, trocadas e renovadas. A segunda é a implementação: o código que transforma essas regras em instruções executadas em telefones, computadores e servidores.

Historicamente, muitos estudos formais se concentram no protocolo descrito em alto nível. O DeepMind diz que o AlphaProof Code foi além ao provar propriedades de segurança no código compilado do protocolo do Signal. Entre as propriedades citadas está a proteção das mensagens antes e depois de um comprometimento temporário do dispositivo — uma formulação associada à ideia de que a exposição de uma chave em um momento não deve revelar indefinidamente o conteúdo da comunicação.

Isso não é uma certificação absoluta de todo o aplicativo Signal, de suas interfaces, de seu sistema operacional ou do comportamento do usuário. Uma prova formal só vale para as propriedades que foram especificadas e para o escopo de código incluído no modelo. Bugs em componentes fora desse escopo, falhas de implantação, phishing e comprometimento do aparelho continuam sendo riscos distintos. A contribuição anunciada é forte justamente por explicitar uma camada: o código criptográfico central e propriedades de segurança determinadas pelos especialistas.

Como funciona: especificação humana, agentes e um verificador independente

O AlphaProof Code é descrito como uma estrutura multi-LLM com divisão de trabalho semelhante à de uma equipe de pesquisa. Especialistas humanos definem o que precisa ser provado e revisam as especificações formais. A partir daí, um conjunto de agentes gera provas em Lean; o próprio Lean confere mecanicamente se os teoremas e cada etapa da derivação são válidos.

O DeepMind informa que os agentes, apoiados por Gemini Carbon, produziram mais de seis milhões de linhas de Lean. O número não deve ser lido como uma medida direta de qualidade: provas formais tendem a ser muito mais verbosas que o código de produção. O ponto operacional é outro: a saída de um modelo de linguagem não é tratada como verdade por si só. Ela passa por um verificador com regras matemáticas explícitas.

Depois de gerar as provas, o sistema também sinalizou para revisão humana as partes que exigiam atenção adicional. Segundo o anúncio, esse conjunto correspondeu a cerca de 1% da base examinada. Isso ilustra uma arquitetura importante para uso de IA em segurança: automatizar a exploração e a construção de artefatos, mas concentrar a autoridade humana na escolha das propriedades, no escopo e nas exceções que realmente importam.

Diagrama do fluxo de verificação formal: especificação em Lean, código compilado e provas verificadas por um gatekeeper confiável.
Fluxo descrito pelo Google DeepMind: humanos aprovam a especificação; agentes geram provas; Lean atua como verificador das provas. Imagem: Google DeepMind.

Por que Lean muda a discussão sobre “IA que verifica IA”

Modelos generativos podem escrever uma explicação convincente e ainda assim errar. Em verificação formal, a parte decisiva não é a eloquência da resposta do agente, mas a capacidade de convertê-la em um objeto que outro sistema consegue checar sem depender da interpretação do modelo. No fluxo anunciado, Lean é esse mecanismo de checagem: se a prova não satisfaz as regras do sistema, ela não é aceita.

Essa separação reduz um problema comum de ferramentas de IA para programação: confundir geração plausível com correção demonstrada. Ela não elimina todos os riscos. Ainda é preciso revisar se a especificação expressa a propriedade certa, se o modelo do processador corresponde ao ambiente real e se o código analisado é o mesmo que chega à produção. Mas troca parte do trabalho repetitivo de prova por um processo que pode ser auditado e reproduzido.

O teste com falhas reintroduzidas

Para testar se o sistema distinguia uma implementação correta de uma vulnerável, os pesquisadores reintroduziram duas falhas reais já corrigidas em uma versão isolada do código do Signal. O DeepMind relata que, nos dois casos, o sistema chegou a uma prova verificada por máquina de que a versão alterada era insegura.

Esse tipo de experimento é relevante porque uma prova só é útil se falhar quando a propriedade deixa de valer. Ainda assim, ele não substitui auditorias independentes nem demonstra uma taxa geral de detecção para qualquer categoria de vulnerabilidade. O resultado divulgado é um teste direcionado, em um escopo específico; sua importância está em mostrar que a abordagem não produziu apenas certificados para versões corretas.

Quatro semanas não significam “segurança em quatro semanas”

O DeepMind estima que o processo levou quatro semanas, em contraste com projetos que podem exigir anos de trabalho de equipes especializadas. A comparação ajuda a dimensionar o potencial de produtividade, mas deve ser interpretada com cuidado. O projeto contou com especialistas, um alvo bem delimitado e uma infraestrutura de pesquisa. Transformar esse processo em rotina para empresas exigirá ferramentas estáveis, profissionais capazes de escrever especificações e integração rigorosa ao ciclo de desenvolvimento.

  • Aplicações promissoras: bibliotecas criptográficas, firmware de dispositivos médicos, controle industrial, infraestrutura de energia e componentes de identidade digital.
  • Onde a técnica ainda é cara: sistemas enormes, requisitos vagos, software que muda diariamente e ambientes difíceis de modelar com precisão.
  • O que continua indispensável: revisão de arquitetura, testes tradicionais, resposta a incidentes, atualização de dependências e auditoria de segurança independente.

O que isso representa para equipes brasileiras

Para a maior parte das empresas, a consequência de curto prazo não é colocar um agente para “provar” todo o repositório. É identificar o pequeno conjunto de componentes nos quais um erro tem custo desproporcional: autorização de pagamentos, regras de acesso, manipulação de chaves, cálculos regulatórios e rotinas de atualização remota. Nesses pontos, uma especificação verificável pode ser mais valiosa do que aumentar a cobertura de testes sem definir formalmente o que deve permanecer verdadeiro.

Uma adoção responsável começa por propriedades simples e observáveis — por exemplo, “um usuário sem determinado papel nunca recebe esse dado” — e não por tentar formalizar o produto inteiro. A IA pode ajudar a transformar rascunhos em artefatos de prova e a explorar hipóteses, mas a equipe precisa manter rastreabilidade entre requisito, código, prova e versão entregue.

Análise do NoticIA: a mudança é de escala, não de responsabilidade

Na análise do NoticIA, o aspecto mais relevante do AlphaProof Code é a separação entre agente que produz e verificador que decide. Essa arquitetura é mais útil para segurança do que simplesmente pedir a um modelo que “revise o código”, porque cria um critério objetivo para aceitar ou rejeitar parte do resultado.

O avanço também expõe uma limitação produtiva: o gargalo se desloca para a especificação. Se uma organização não sabe definir precisamente o que seu software deve garantir, nenhum agente resolverá essa ambiguidade com segurança. A oportunidade real está em usar modelos para acelerar provas sobre requisitos que engenheiros e especialistas já conseguem justificar — não em terceirizar a responsabilidade técnica para uma resposta gerada.

O DeepMind afirma que abrirá os artefatos de verificação à comunidade. A utilidade prática do marco dependerá dessa abertura, da possibilidade de reprodução e de avaliações independentes sobre o escopo das propriedades verificadas. Se esse processo amadurecer, verificação formal poderá deixar de ser um recurso reservado a poucos projetos de alto risco e tornar-se uma camada seletiva, porém concreta, da engenharia de software.



Descubra mais sobre noticiAI

Assine para receber nossas notícias mais recentes por e-mail.

Deixe seu comentário