Como a Abnormal AI usa agentes e um ‘rascunho de computação’ para bloquear ameaças em bilhões de e-mails

Agentes de IA já rodam em produção na escala de bilhões de operações por dia, e um padrão arquitetural se repetiu: agentes precisam de um “rascunho de computação” (compute scratch pad). Não só para tarefas de código, mas para agregação de dados, análise, verificação e qualquer fluxo em que o raciocínio semântico sozinho não resolve.

O caso da Abnormal AI — serviço de segurança comportamental que protege mais de 25% das empresas da Fortune 500 — mostra isso em escala real. A empresa usa o Amazon Bedrock AgentCore Code Interpreter para os agentes que fazem detecção de ameaças em e-mails em tempo real, processando bilhões de mensagens e executando código gerado por agentes para bloquear ameaças antes que cheguem à caixa de entrada.

O que é o Code Interpreter do Bedrock AgentCore

É um runtime serverless totalmente gerenciado para agentes executarem código dinamicamente. As sessões rodam em MicroVMs efêmeras — com time-to-live configurável de 15 minutos (padrão) a 8 horas para tarefas longas — em sandboxes seguras com separação total no nível do sistema operacional. O ponto crítico: o Code Interpreter é exposto como uma API, ou seja, não dita o fluxo de trabalho do agente. Ele apenas fornece uma caixa onde o agente roda comandos, sobe arquivos e recupera resultados.

“Praticamente qualquer agente, esteja escrevendo código ou não, precisa de uma sandbox de interpretação que permita de fato processar dados e chegar a respostas”, afirma Shrivu Shankar, VP de Estratégia de IA da Abnormal AI.

Arquitetura em três camadas

A Abnormal processa bilhões de e-mails em um pipeline de detecção em três níveis:

• Nível 1 — classificação leve (bilhões/dia): modelos pequenos, regras heurísticas e classificadores leves lidam com o maior volume de tráfego. Rodar modelos grandes nessa escala seria proibitivo em custo — e desnecessário, já que a maioria das mensagens é classificada sem análise profunda.
• Nível 2 — modelos médios (milhões/dia): mensagens em que o Nível 1 não tem confiança fluem para modelos de deep learning e ML com análise de sinais comportamentais.
• Nível 3 — agentes inline com Code Interpreter (dezenas de milhares/dia): os casos mais difíceis, que normalmente exigiriam um analista humano, são processados por agentes que recebem dados de inteligência de ameaças, escrevem scripts dinamicamente no sandbox e avaliam como o caso se encaixa no modelo comportamental.

Além do pipeline em tempo real, um agente analista roda em modo batch: ingere erros de classificação, identifica padrões em grandes conjuntos de mensagens e escreve autonomamente rascunhos de heurísticas candidatas para o Nível 1 — cerca de 100 jobs batch por semana, alguns com sessões de mais de 30 minutos.

Segurança: sandbox zero-trust

A Abnormal escolheu a configuração de sandbox sem egresso de rede por dois motivos: reprodutibilidade (sem acesso externo, nada fora do controle da empresa influencia o agente) e prevenção de exfiltração de dados (mesmo que o agente se torne malicioso por injeção de prompt, a inteligência de ameaças não sai para a internet).

Lições para quem constrói agentes

• Dê ao agente o que ele quer: agentes performam melhor com um harness leve e geral do que com fluxos rígidos passo a passo. Forneça princípios de alto nível e deixe o agente decidir a abordagem.
• Todo agente precisa de um rascunho de computação: o Code Interpreter não é só para agentes de código — agentes de segurança se beneficiam de computação para agregação, análise de padrões e verificação.
• Use verificadores programáticos como guardrails: testes unitários, integração e linting permitem que o agente se auto-teste no sandbox antes de entregar o resultado final.
• Use o sistema de arquivos como ponto de recuperação: para operações que excedem o tempo da sessão (como treinar um modelo), persista o estado em arquivos, rode a operação longa externamente e reinvoque o Code Interpreter para processar o resultado.

A conclusão prática do caso: o Code Interpreter não é uma ferramenta de código — é infraestrutura fundamental para agentes raciocinarem computacionalmente. E o número que mais chama atenção não é técnico: hoje, 80% das mudanças de código da Abnormal são construídas com algum grau de agente, e 40% são feitas de ponta a ponta por um agente em segundo plano — sem assistência humana. A própria empresa que protege caixas de entrada contra ameaças automatizadas se tornou um exemplo de operação nativa em IA.