O gargalo de US$ 81 milhões das recompensas por bugs da HackerOne

A HackerOne pagou US$ 81 milhões em recompensas no último ano, alta de 13% em relação ao ano anterior. Três meses depois, o projeto curl anunciou que encerraria seu programa na HackerOne porque relatórios de baixa qualidade gerados por IA haviam sobrecarregado o canal.

O pagamento da HackerOne mede o valor dos achados que passaram pela revisão. A saída do curl mede o custo de decidir quais achados mereciam passar. Daniel Stenberg, fundador do curl, comparou a carga de envios a um ataque de negação de serviço contra mantenedores: a caixa de entrada ainda funcionava, mas sua abertura começava a derrotar seu propósito.

O modelo de volume de relatórios se inverteu. À medida que a pesquisa de segurança agêntica derruba o custo de gerar alegações plausíveis de vulnerabilidades, evidências confiáveis e reproduzíveis, assim como capacidade de adjudicação, se tornam escassas. Plataformas de recompensas por bugs estão deixando de ser marketplaces otimizados para envios e se tornando sistemas de garantia operacional que validam, encaminham, priorizam, protegem e repassam achados para remediação.

A descoberta barata desloca a superfície de ataque para a caixa de entrada

Uma alegação de vulnerabilidade não chega sozinha. Um mantenedor precisa identificar a versão afetada, recriar o ambiente, testar o exploit proposto, distinguir uma nova falha de uma duplicata, avaliar a gravidade, encontrar o responsável e decidir se a divulgação ou a remediação deve vir primeiro. Um sistema de IA pode gerar mais uma hipótese sem arcar com nenhum desses custos posteriores. Quem recebe arca com todos eles.

O gerador pode transformar prosa plausível em trabalho de revisão. Um relatório pode citar funções reais, descrever um modo de falha crível e incluir vocabulário técnico suficiente para passar por uma triagem superficial, mas ainda desmoronar quando um mantenedor tenta reproduzi-lo. O gerador só precisa de mais uma tentativa, enquanto o mantenedor já gastou minutos escassos.

A pesquisa automatizada de vulnerabilidades também pode produzir achados válidos. A ferramenta autônoma de testes de intrusão da Xbow liderou o ranking da HackerOne nos EUA em falhas de segurança reportadas, competindo com sucesso dentro do mesmo sistema de incentivos que o curl considerou impossível de administrar. A Xbow complica a narrativa fácil sobre sinal humano e ruído de máquina porque máquinas podem produzir ambos.

Mantenedores precisam de um caso testável. Um pesquisador automatizado que identifica uma configuração afetada, reproduz o comportamento e registra o caminho até a exploração pode reduzir o trabalho de um defensor. Um sistema que emite apenas uma possibilidade convincente transfere sua incerteza ao destinatário. Ambos podem chamar sua produção de relatório de vulnerabilidade, embora apenas um tenha concluído trabalho suficiente para justificar esse nome.

A comissão de 20% foi construída para alcance escasso

A proposta da HackerOne em 2015 era direta: conectar hackers éticos a empresas e cobrar uma comissão de 20% sobre as recompensas. As empresas não podiam empregar todos os pesquisadores capazes, e os pesquisadores frequentemente não tinham uma via legítima para chegar às empresas. A plataforma fornecia alcance, regras, identidade, pagamento e um canal protegido de divulgação.

A HackerOne respondeu à pergunta original do mercado: como uma empresa poderia convidar mais pessoas externas para inspecionar seu software sem transformar cada intrusão não solicitada em uma crise jurídica e operacional? Os cerca de 1.000 clientes globais da Bugcrowd mais tarde demonstraram até onde o modelo de intermediação podia escalar. Uma multidão maior dava às empresas mais chances de detectar o erro obscuro que uma equipe interna havia deixado passar.

A comissão precificava a descoberta bem-sucedida, enquanto deixava as empresas absorverem a revisão malsucedida. Uma empresa pagava uma recompensa depois de aceitar um achado, mas seus mantenedores gastavam atenção antes da aceitação. Enquanto pesquisadores arcavam com custos relevantes para inspecionar código, desenvolver um exploit e redigir um relatório, esses custos filtravam muitas alegações fracas antes que chegassem à plataforma. A geração barata eliminou parte desse filtro anterior sem eliminar nenhuma obrigação posterior.

Operadores de programas responderam endurecendo verificações de antecedentes e criando agentes de triagem com IA. As verificações de antecedentes racionam quem pode entrar na fila; os agentes de triagem racionam quais alegações recebem atenção humana. O acesso mais amplo produzia mais achados raros quando cada participante enfrentava custos relevantes de pesquisa. O efeito se inverte quando cada participante pode operar um gerador incansável de hipóteses.

Um descobridor sem um verificador só alonga a fila

Na ponta receptora, defensores precisam de um verificador capaz de reproduzir resultados, testar a explorabilidade, comparar achados com relatórios existentes, estimar a gravidade, identificar a responsabilidade e preparar a transferência para remediação.

A OpenAI posicionou o Codex Security em descoberta, validação e correções propostas. Cada etapa remove uma incerteza diferente. A descoberta pergunta se uma falha pode existir. A validação pergunta se o comportamento alegado resiste ao contato com o software. A remediação pergunta se uma alteração pode eliminar a falha sem apenas deslocá-la.

A Microsoft projetou o Project Perception para corrigir vulnerabilidades, combinando ação com seu modelo de cibersegurança MAI-Cyber-1-Flash. A Trellix corrigiu quase 62.000 projetos de código aberto afetados por uma falha que expunha cerca de 350.000 projetos. Essa exposição exigia remediação na escala da detecção; uma lista de repositórios afetados teria deixado o código inalterado.

Uma transferência delimitada dá às equipes de segurança um ponto para inspecionar cada transição. Um agente de descoberta pode fornecer ao validador a versão afetada e o caminho suspeito. Um validador pode retornar um rastreio de reprodução e uma avaliação de confiança. Um adjudicador pode determinar duplicação, gravidade e responsabilidade antes que um agente de remediação proponha uma correção e um teste. Cada agente produz um artefato que o próximo ator pode contestar.

As equipes de segurança se concentram cada vez mais em governar a execução de agentes. Elas precisam de pontos visíveis nos quais outra máquina ou uma pessoa possa rejeitar o trabalho.

Camadas de confiança economizam tempo de revisão ao custo de abertura

O planejado programa de recompensas em duas camadas do GitHub explicita a troca. O GitHub planeja recompensas menores para envios públicos e pagamentos maiores para pesquisadores apenas convidados, usando acesso e remuneração para direcionar esforço a pessoas cujo trabalho anterior torna seus relatórios mais baratos de avaliar.

Plataformas já avaliavam pesquisadores antes da onda de relatórios com IA. A ES&S fez parceria com a Synack em 2020 para permitir que profissionais de segurança avaliados pela Synack testassem alguns de seus produtos. Em 2023, HackerOne, Bugcrowd, Google e Intel ajudaram a lançar o Hacking Policy Council para defender leis que protegessem pesquisadores de segurança. Essas empresas já tratavam a legitimidade do pesquisador e o acesso legal como infraestrutura estratégica.

A IA eleva o preço de errar a fronteira. Um programa totalmente aberto preserva a possibilidade de um pesquisador desconhecido perceber o que todos os especialistas aprovados deixaram passar, mas também permite que envios de baixo custo consumam capacidade de revisão. Um programa fechado protege a fila, mas transforma o acesso de ontem em qualificação para o acesso de amanhã. O externo que nunca foi convidado não consegue acumular a reputação exigida para receber um convite.

Verificações de antecedentes estabelecem quem enviou um relatório. Um rastreio de reprodução estabelece se o relatório está correto. Convites refletem desempenho anterior, enquanto cada nova alegação ainda precisa trazer suas próprias evidências. Portanto, operadores de programas precisam que a confiança se vincule a trilhas de evidências, assim como a identidades: um recém-chegado que envia repetidamente trabalho reproduzível deve se tornar mais fácil de encaminhar, enquanto um pesquisador estabelecido que envia alegações sem sustentação não deve herdar prioridade permanente.

A trilha pública do GitHub preserva um ponto de entrada, enquanto sua trilha apenas para convidados reserva mais dinheiro para pesquisadores confiáveis. As duas camadas transformam a abertura de condição padrão em recurso gerenciado, preservando a multidão sem atribuir a mesma prioridade de revisão a cada batida na porta.

Evidências melhores concentram um segredo mais perigoso

Validadores precisam de provas mais ricas. Um relatório reproduzível precisa revelar o suficiente sobre o alvo, a configuração afetada, o caminho de exploração e o comportamento observado para que outro ator confirme o resultado. Essa evidência ajuda um defensor porque reduz a ambiguidade. Ajuda um atacante pela mesma razão.

Durante a violação da Uber em 2022, um atacante acessou o programa HackerOne da empresa e baixou relatórios de vulnerabilidades antes de perder o acesso. Em um incidente separado naquele ano, a HackerOne disse que um funcionário roubou relatórios enviados e os divulgou a sete empresas em troca de recompensas financeiras. Em 2026, a violação da Klue afetou a HackerOne e outros fornecedores de segurança.

Esses incidentes chegaram a informações de segurança valiosas por meio de três relações de confiança: acesso de cliente na Uber, acesso interno na HackerOne e o ecossistema de fornecedores ao redor da Klue.

Uma plataforma que faz validação mais profunda precisa reter evidências suficientes para que revisores e clientes reproduzam seus julgamentos, mas cada artefato adicional aumenta a consequência de acesso não autorizado. A plataforma não pode tratar rastreios de exploits, versões afetadas, correções propostas e status de divulgação como histórico comum de marketplace. Ela precisa compartimentá-los por cliente, programa e etapa do fluxo de trabalho, dando a cada revisor ou agente apenas a evidência necessária para sua tarefa delimitada.

As mesmas transferências que melhoram a qualidade dos relatórios podem fornecer a fronteira de segurança. Um agente de descoberta pode trabalhar com o contexto do alvo, um validador com acesso temporário ao ambiente de reprodução e um sistema de remediação com o contexto do código mais um achado aprovado. A rastreabilidade permite que o próximo ator audite o resultado e registra quem tocou o mapa antes que a fraqueza fosse corrigida.

A economia de pagamentos da HackerOne chegou a US$ 81 milhões mesmo quando o curl se preparava para fechar sua porta de recompensas, porque as recompensas contam os achados aceitos enquanto mantenedores absorvem o custo de rejeitar o restante. A parede estrutural da plataforma saiu da porta de entrada e foi para a sala de evidências.