Introdução
A implementação segura de agentes de IA em ambientes corporativos representa um dos maiores desafios tecnológicos da atualidade. Pedro Franceschi, CEO da fintech Brex, apresentou uma abordagem inovadora durante o VB Transform 2026 que pode mudar fundamentalmente como as empresas pensam sobre segurança de IA. Em vez de tentar controlar o que os agentes podem fazer através de limitações de código, a Brex desenvolveu uma estratégia que assume que os agentes podem fazer qualquer coisa – e por isso monitora rigorosamente o tráfego de rede. Esta mudança de paradigma, materializada no sistema CrabTrap, oferece lições valiosas para qualquer organização brasileira que busque implementar agentes de IA com segurança.
O problema com a terminologia de ‘agentes’
Franceschi iniciou sua apresentação com uma crítica contundente ao termo ‘agentes de IA’, classificando-o como um conceito vago do Vale do Silício que pouco significa na prática empresarial. Para ele, o objetivo real deveria ser criar ‘funcionários virtuais’ – entidades que possam colaborar genuinamente com trabalhadores humanos.
Esta visão é particularmente relevante para o mercado brasileiro, onde muitas empresas ainda lutam para entender o valor prático da IA. Um ‘funcionário virtual’ na concepção da Brex possui características concretas: tem um endereço de email corporativo, pode participar de reuniões virtuais, responde mensagens no Slack e pode ser incluído em fluxos de trabalho como qualquer colaborador humano. Esta abordagem desmistifica o conceito e o torna mais tangível para executivos que precisam justificar investimentos em IA.
OpenClaw e o dilema da segurança corporativa
O ponto de inflexão para a Brex ocorreu em dezembro, quando os modelos de codificação atingiram maturidade suficiente para permitir o lançamento do OpenClaw em janeiro. Esta ferramenta open-source representa um marco importante: pela primeira vez, agentes de IA podiam manter e desenvolver suas próprias bases de código autonomamente, sem depender de ferramentas estáticas pré-programadas.
No entanto, quando Franceschi propôs implementar o OpenClaw para automatizar funções internas da empresa, a equipe de segurança reagiu com veemência. A preocupação era legítima: como confiar em um agente com capacidades de execução de código irrestrita? Este receio não é exclusivo da Brex – empresas em todo o mundo, incluindo grandes corporações brasileiras, têm hesitado em conceder aos agentes de IA acesso livre para executar código em suas redes corporativas.
A resistência da equipe de segurança destacou um paradoxo fundamental: as capacidades de codificação que tornam os agentes verdadeiramente úteis são exatamente as que os tornam potencialmente perigosos. Diferentemente de soluções como o NemoClaw da Nvidia, que segundo Franceschi limita o uso de ferramentas pelos agentes, a Brex acreditava que restringir essas capacidades neutralizaria o valor dos agentes.
CrabTrap: uma nova abordagem para segurança de IA
A solução encontrada pela Brex foi revolucionária em sua simplicidade conceitual: em vez de tentar controlar o que o agente pode fazer dentro de seu container, a empresa decidiu monitorar rigorosamente o que ele tenta comunicar com o mundo exterior. Esta mudança de foco do código para a rede representa uma inversão completa dos modelos tradicionais de segurança.
O CrabTrap, sistema open-source desenvolvido pela Brex, funciona como um proxy HTTP que intercepta todo o tráfego entre o container do agente e a internet. O sistema opera sob a premissa de que o OpenClaw pode fazer qualquer coisa e pode até já estar comprometido. Por isso, utiliza um LLM (Large Language Model) para avaliar se cada solicitação de rede está alinhada com as políticas aprovadas para aquele agente específico.
Esta abordagem é particularmente relevante para empresas brasileiras que operam em setores regulados, como bancos e fintechs, onde a segurança de dados é crítica. Ao invés de confiar cegamente nos agentes ou limitá-los ao ponto de inutilidade, o CrabTrap oferece um meio-termo pragmático.
Arquitetura inteligente para minimizar latência
Um desafio óbvio dessa abordagem seria a latência: usar um LLM para julgar cada requisição de rede poderia adicionar milhares de milissegundos a cada operação. A Brex resolveu isso com uma arquitetura bifurcada engenhosa.
Ações rotineiras e de baixo risco passam por regras estáticas pré-aprovadas instantaneamente. Por exemplo, se um agente de recrutamento tenta visualizar um perfil do LinkedIn, uma regra estática permite isso imediatamente. Apenas ações de alto risco, como enviar emails, são encaminhadas para o LLM juiz. Segundo Franceschi, apenas cerca de 2% das requisições complexas enfrentam a latência do LLM.
Esta otimização é crucial para viabilizar o uso em produção. Empresas brasileiras que consideram implementar sistemas similares devem prestar atenção especial a este aspecto, especialmente considerando as limitações de infraestrutura de rede que ainda afetam algumas regiões do país.
O papel surpreendente dos LLMs como juízes de segurança
Uma descoberta inesperada do projeto foi a eficácia natural dos LLMs em julgar a legitimidade do tráfego de rede. Franceschi atribui isso ao treinamento extensivo desses modelos: expostos a bilhões de páginas web e requisições HTTP durante o pré-treinamento, os LLMs desenvolvem uma compreensão semântica intrínseca dos padrões de tráfego de rede.
Esta capacidade emerge naturalmente, sem necessidade de prompts complexos ou treinamento adicional específico. Para o mercado brasileiro, isso significa que empresas podem aproveitar modelos existentes sem precisar desenvolver soluções customizadas caras – um fator importante considerando os orçamentos de TI muitas vezes limitados.
Jim: o recrutador virtual como caso de teste
A Brex colocou sua infraestrutura à prova com ‘Jim’, um recrutador virtual construído sobre o OpenClaw. Jim executa tarefas variadas, incluindo busca de candidatos, avaliação de aplicantes e envio de emails. Quando Jim tenta uma ação fora da política estabelecida, o CrabTrap aciona um fluxo de trabalho com humano no loop.
O sistema envia uma notificação via Slack para um gerente humano, explicando a intenção subjacente do agente e sugerindo uma mudança de política que permitiria a ação. O gerente pode então revisar o contexto e aprovar ou rejeitar a atualização das regras dinamicamente. Esta abordagem espelha processos organizacionais existentes: quando um funcionário humano encontra uma barreira, ele escala para seu gerente.
Para empresas brasileiras, este modelo oferece um caminho de implementação gradual e controlado. Em vez de dar carta branca aos agentes ou restringi-los excessivamente, as organizações podem construir confiança incrementalmente, expandindo as permissões conforme ganham experiência.
O custo de estar na vanguarda tecnológica
Franceschi foi transparente sobre os custos de operar na fronteira tecnológica. A Brex, sendo uma fintech e não uma empresa de cibersegurança, construiu o CrabTrap internamente devido à falta de soluções comerciais maduras. Ele reconheceu que havia 70% de chance de descartar o sistema em seis meses quando soluções comerciais surgissem.
No entanto, o aprendizado obtido ao estar seis meses à frente do mercado foi considerado valioso para moldar a estratégia de adoção de IA da empresa. Esta lição é particularmente relevante para empresas brasileiras que muitas vezes preferem esperar por soluções prontas: às vezes, o valor está no aprendizado obtido ao construir internamente, mesmo que temporariamente.
Implicações para o mercado brasileiro
A abordagem da Brex oferece várias lições importantes para empresas brasileiras considerando a implementação de agentes de IA. Primeiro, a mudança de mentalidade é fundamental: em vez de tentar prever e prevenir todos os comportamentos possíveis dos agentes, é mais eficaz monitorar e controlar suas interações com o mundo exterior.
Segundo, a integração com fluxos de trabalho existentes é crucial. Ao tratar agentes como ‘funcionários virtuais’ e usar canais de comunicação familiares como Slack, a Brex reduziu a resistência organizacional à adoção. Empresas brasileiras podem aplicar princípio similar, integrando agentes aos sistemas que seus funcionários já utilizam diariamente.
Terceiro, a arquitetura bifurcada do CrabTrap demonstra a importância de otimizar para casos de uso reais. Em vez de aplicar o mesmo nível de escrutínio a todas as ações, o sistema diferencia entre operações rotineiras e de alto risco, mantendo a eficiência sem comprometer a segurança.
O futuro da segurança de agentes de IA
A experiência da Brex sugere que o futuro da segurança de agentes de IA não está em limitar suas capacidades, mas em criar camadas de monitoramento e controle inteligentes. À medida que os agentes se tornam mais sofisticados, as abordagens de segurança devem evoluir proporcionalmente.
Para o ecossistema brasileiro de tecnologia, isso representa tanto um desafio quanto uma oportunidade. Startups locais podem desenvolver soluções especializadas para necessidades específicas do mercado nacional, enquanto empresas estabelecidas podem liderar pelo exemplo, compartilhando aprendizados como a Brex fez.
Conclusão
A jornada da Brex com o OpenClaw e o CrabTrap ilustra uma verdade fundamental sobre a implementação de IA em ambientes corporativos: a segurança não pode ser uma reflexão tardia, mas também não pode ser um impedimento paralisante. A solução está em repensar fundamentalmente onde e como aplicamos controles de segurança.
Para líderes empresariais brasileiros navegando o cenário da IA, a mensagem de Franceschi é clara: ‘Não temos todas as respostas, mas a resposta não é não fazer nada’. A experiência da Brex demonstra que, com a abordagem correta, é possível colher os benefícios dos agentes de IA enquanto mantém a segurança corporativa. O segredo está em aceitar que os agentes podem fazer qualquer coisa – e planejar adequadamente para essa realidade.
Fonte original: Este artigo foi adaptado e traduzido a partir da matéria “Brex assumes its AI agents could do anything — so it watches the network, not the code” publicada em VentureBeat, disponível em https://venturebeat.com/orchestration/brex-assumes-its-ai-agents-could-do-anything-so-it-watches-the-network-not-the-code.
