Inteligência Artificial Ainda Não Está Pronta para Cibersegurança de Sistemas de Controle Industrial

Quando o Google Duplex falou pela primeira vez em uma linha telefônica de restaurante, soou quase humano. A demo mostrou o que a IA pode fazer hoje: executar conversas estreitas e roteirizadas com fluência assustadora. No entanto, a mesma tecnologia, agora disponível em 43 estados dos EUA para usuários de Google Pixel, destaca os limites da IA atual — capaz de interações rotineiras mas ainda longe de lidar com as complexidades de sistemas de controle industriais (ICS).

Outros projetos de IA de alto perfil sublinham esta divisão. O Project Debater da IBM pode construir argumentos persuasivos, mas sua voz permanece robótica e seu entendimento é abstrato. Ambos exemplos ilustram que a IA mais avançada vem de empresas com bolsos fundos e conjuntos de dados massivos — ainda assim elas alertam que algoritmos podem falhar, dados podem ser enviesados e práticas impróprias podem erodir confiança.

Narrativas de marketing frequentemente pintam IA como cura para todos desafios de negócios, prometendo dar sentido a vastas quantidades de dados industriais e fortificar segurança de sistemas de controle. Analytics industrial, quando aplicado a dados de máquinas, impulsiona convergência de OT e TI e alimenta a Quarta Revolução Industrial, segundo o Industrial Internet of Things Analytics Framework do Industrial Internet Consortium.

Veterano de cibersegurança Jason Haward-Grau, CISO da PAS Global, nota que "automação de processos robóticos é provavelmente muito mais interessante, de uma perspectiva de IA, do que IA em segurança." Ele argumenta que fornecedores podem alegar que oferecem IA para todo problema, mas empresas devem primeiro perguntar: "O que minha organização precisa?" e então determinar se IA é a resposta.

Níveis de ameaça permanecem altos. Um estudo da Kaspersky de 2018 encontrou que 49% de 321 respondentes industriais relataram pelo menos um ataque por ano — subnotificação provavelmente subestimando o número real.

Definir IA é em si um desafio filosófico. Escritor de tecnologia Jaron Lanier alertou em 2016 que sem baseline mensurável, "você está na terra da fantasia." Na prática, isso significa que muitos sistemas rotulados "inteligentes" carecem de fundamentação empírica.

Caso de Uso Concreto: Detecção de Malware/Anomalias

Com um baseline de rede confiável e algoritmos robustos de machine learning treinados em dados suficientes, IA pode sinalizar ameaças rapidamente e reduzir falsos positivos. Isso é especialmente valioso dada a escassez de talentos em cibersegurança.

No entanto, sucesso depende de relevância dos dados. Se o sistema desconhece certos processos de negócio, pode gerar falsos alarmes. Além disso, treinamento em dados falhos pode causar malware ser classificado como benigno. Adversários podem até fazer engenharia reversa de features do modelo para evadir detecção.

Barreiras em Ambientes Industriais

Ambientes industriais apresentam obstáculos adicionais. Dispositivos OT frequentemente não usam protocolos TI padrão, e barramentos de controle legados (ex: sistema de 25 anos) são difíceis para IA interpretar. Haward-Grau ilustrou isso com exemplo de refinaria: enquanto 500 dispositivos TI podem ser monitorados com rastreamento de rede, os 28.500 endpoints OT de múltiplos fornecedores (ABB, Schneider Electric, Siemens, Yokogawa, Philips, GE, Honeywell) apresentam paisagem de dados fragmentada que complica tradução de IA e definição de comportamento "bom".

A mudança de "é apenas questão de tempo antes de sermos violados" para "já estamos comprometidos" amplifica a complexidade de estabelecer comportamento normal de rede. Um estudo apoiado pela IBM em 2018 mostrou que leva em média 197 dias para empresas detectarem uma violação — tempo que pode erodir a confiabilidade de modelos de machine learning treinados em topologias de rede em evolução.

IA promete para cibersegurança industrial, mas adoção deve começar com casos de uso bem definidos que limitem complexidade de dados. Como E.F. Schumacher disse: "É preciso um toque de genialidade — e muita coragem — para mover na direção oposta." Para líderes industriais, isso significa começar com projetos pequenos e gerenciáveis antes de escalar IA por toda sua paisagem OT.