Agentes de IA passaram de demonstrações de pesquisa para fluxos de trabalho diários em endpoints. Desenvolvedores instalam assistentes de escrita de código com acesso local a arquivos; analistas testam ferramentas autônomas que buscam dados, executam scripts e chamam APIs. Cada agente introduz novas superfícies de permissão — sistema de arquivos, rede, escopos OAuth, tokens de API, gerenciadores de pacotes — e o EDR tradicional vê isso apenas como mais um processo. O resultado são agentes sombra proliferando mais rápido do que as equipes de segurança conseguem inventariar. O problema central não é apenas malware; são automações com privilégios excessivos e não verificadas que executam ações legítimas com consequências não intencionais, desde exfiltração de dados de clientes até envenenamento de repositórios via dependências comprometidas.
A aposta da Glow é tornar os agentes de IA cidadãos de primeira classe na segurança de endpoints. Em vez de esperar por indicadores de comprometimento, ela mapeia continuamente agentes instalados e efêmeros, associa-os a capacidades (ferramentas, plugins, chamadas de modelo) e avalia o risco contextual: o que o agente pode acessar, quais credenciais possui, como obtém pacotes e se controles como EDR estão degradados. As políticas então aplicam barreiras pré-admissão — bloqueando uma instalação npm arriscada, isolando um agente que invoca ferramentas proibidas ou exigindo aprovação reforçada para ações de alto impacto. Esta é uma prevenção alinhada à intenção e permissões do agente, não apenas telemetria genérica de processos.
Para compradores, a questão é onde essa camada se encaixa na pilha e como operá-la sem reduzir a velocidade dos desenvolvedores. A abordagem pragmática é integrar com MDM para implantação, EDR para fusão de sinais e IdP/SSO para políticas conscientes de identidade, oferecendo exceções amigáveis para desenvolvedores e auditabilidade. Métricas de sucesso devem incluir redução de agentes sombra, prevenção de puxadas de pacotes arriscados, fechamento de lacunas de cobertura do EDR e tempo médio para remediação de políticas. Fique atento às práticas de manipulação de dados, inferência local versus na nuvem e a um modelo de política como código que permita versionamento, simulações e implantações graduais em dezenas de milhares de dispositivos.