A IA em dispositivos inteligentes está abrindo novas possibilidades para executar modelos de inteligência artificial sem depender continuamente de servidores na nuvem. Entretanto, essa evolução também traz um risco de segurança: modelos relativamente pequenos podem se tornar capazes de automatizar tarefas necessárias para comprometer outros dispositivos, instalar cópias de modelos e formar redes descentralizadas de processamento. Um experimento publicado pela Anthropic em 12 de outubro de 2026 mostra por que esse cenário merece atenção, especialmente em aparelhos conectados com proteções insuficientes.
O estudo investigou a possibilidade de pequenos modelos de linguagem, conhecidos como SLMs (Small Language Models), participarem de processos de autorreplicação em equipamentos de baixo custo, incluindo caixas de TV Android. Os pesquisadores avaliaram modelos como Qwen3.5-9B, Llama 3.1-8B, Gemma 4-26B-A4B e GLM-5.2, examinando tarefas que vão desde preparar um ambiente de inferência até transferir um modelo entre máquinas em uma rede controlada. O trabalho também identificou uma condição importante para o ataque: dispositivos com interfaces de depuração acessíveis sem autenticação.
A descoberta não significa que TVs, eletrodomésticos ou aparelhos Android estejam sendo infectados em massa por inteligências artificiais autorreplicantes. O experimento demonstrou componentes técnicos desse cenário, mas não comprovou a existência de um agente autônomo capaz de se espalhar indiscriminadamente pela internet. A diferença é fundamental para compreender o risco real e evitar tanto o alarmismo quanto a falsa sensação de segurança.
Como funciona a autorreplicação de IA em dispositivos IoT
A autorreplicação de IA ocorre quando um agente consegue executar uma sequência de tarefas para se estabelecer em uma máquina, identificar outros alvos acessíveis e preparar novas instâncias de execução. Em um cenário de ataque, isso pode envolver a descoberta de dispositivos vulneráveis, a transferência de arquivos, a instalação de dependências e a inicialização de um modelo de inteligência artificial no equipamento comprometido.
Esse comportamento se aproxima do funcionamento de um worm, ou malware autorreplicante, mas existe uma diferença importante. Um worm tradicional costuma seguir instruções e explorar vulnerabilidades previamente programadas. Um agente controlado por IA pode adaptar suas ações diante de sistemas desconhecidos, interpretar erros e tentar alternativas para concluir uma tarefa.
Isso não torna a inteligência artificial automaticamente mais eficiente ou perigosa em todas as situações. A capacidade de raciocinar sobre comandos e corrigir problemas depende do modelo, das ferramentas disponíveis, das permissões concedidas e das condições da rede.
O papel do ADB nas TVs Android
Um dos pontos centrais do experimento foi o ADB (Android Debug Bridge), ferramenta utilizada por desenvolvedores para depurar dispositivos Android, instalar aplicativos e executar comandos durante testes.
Quando configurado de maneira insegura, com acesso disponível pela rede e sem autenticação adequada, o ADB pode oferecer uma porta de entrada para operações que deveriam estar restritas a usuários autorizados. Caixas de TV Android genéricas merecem atenção porque determinados fabricantes utilizam versões derivadas do Android Open Source Project (AOSP) sem implementar todas as proteções recomendadas ou fornecer atualizações regulares.
Na avaliação da Anthropic, os pesquisadores simplificaram deliberadamente a etapa de comprometimento ao utilizar nós com acesso ADB sem autenticação. Isso permitiu concentrar a análise na capacidade dos agentes de organizar a propagação e configurar a execução de modelos em outros equipamentos.
Essa condição não deve ser confundida com uma vulnerabilidade universal do Android ou do ADB. Dispositivos com depuração desativada, acesso devidamente protegido e configurações seguras não apresentam necessariamente o mesmo cenário de risco.
O que os modelos conseguiram fazer
O trabalho avaliou diferentes componentes do problema, e não apenas uma tentativa de criar uma botnet completa.
O Qwen3.5-9B conseguiu preparar a execução de um modelo de inferência em oito dos nove tipos de hardware avaliados. Já o GLM-5.2, utilizado como agente para coordenar as tarefas, demonstrou capacidade de encadear operações de propagação em um ambiente controlado. O modelo executou o processo até oito nós em quatro de cinco tentativas, enquanto alcançou sete dos oito nós na tentativa restante.
O Llama 3.1-8B foi empregado como modelo de inferência a ser implantado nos dispositivos de destino. Assim, é importante distinguir o modelo que executava as tarefas de coordenação daquele que era preparado para funcionar nos equipamentos comprometidos.
Em outro teste, o Gemma 4-26B-A4B foi distribuído entre 15 caixas de TV Android com 4 GB de RAM cada. Esse experimento demonstrou que aparelhos relativamente simples podem cooperar para executar um modelo maior, desde que o processamento seja dividido entre os nós.
As avaliações mostram que diferentes etapas da autorreplicação já são tecnicamente viáveis. Contudo, o resultado mais próximo de uma propagação completa dependeu de condições simplificadas e não comprova que um pequeno modelo consiga infectar autonomamente qualquer aparelho conectado à internet.
IA em dispositivos inteligentes: os números e o fator tempo
Um dos aspectos mais relevantes do estudo é a velocidade necessária para preparar e executar os modelos em equipamentos com recursos limitados. Embora a propagação autônoma seja preocupante, o desempenho observado indica que esse tipo de ameaça não precisa se espalhar instantaneamente para representar um problema.
Segundo a Anthropic, a execução não otimizada do Gemma 4-26B-A4B distribuído entre os aparelhos apresentou uma velocidade aproximada de 0,3 token por segundo no cenário medido. O processamento de uma janela de contexto de 32 mil tokens levou entre 27,3 e 31,8 horas. Considerando o trabalho necessário para configurar a inferência, o tempo estimado para concluir essa etapa ficou entre 71 e 150 horas.
No caso do Qwen3.5-9B, a estimativa de configuração completa ficou entre 28 e 51 horas. Esses números variam conforme o hardware, a configuração de execução e as tarefas exigidas do agente. Eles não representam uma duração universal para infectar qualquer dispositivo.
A diferença é importante porque a velocidade de propagação influencia diretamente o alcance de uma possível botnet. Um processo que leva dias para produzir novas instâncias pode ser menos eficiente que um malware convencional em determinadas condições. Por outro lado, uma rede distribuída pode continuar tentando encontrar novos alvos mesmo quando cada operação individual é lenta.
Por que a propagação lenta não elimina o risco
Uma botnet não precisa dominar milhares de dispositivos em poucos minutos para causar danos. Se os equipamentos comprometidos permanecerem ativos por períodos prolongados, uma expansão gradual ainda poderá ampliar a capacidade disponível para atividades maliciosas.
A descentralização também dificulta a resposta. Em vez de depender de um único servidor de comando, uma rede poderia distribuir partes de um modelo entre diferentes aparelhos, transferir arquivos entre nós e utilizar recursos computacionais espalhados por residências e pequenas empresas.
Isso não significa que uma rede desse tipo seria impossível de interromper. O tráfego necessário para transferir modelos, preparar ambientes e coordenar inferências pode criar sinais detectáveis. Além disso, dispositivos infectados ainda dependem de energia, conectividade e recursos de hardware.
A Anthropic compara esse cenário a uma propagação gradual, com tempos de duplicação da ordem de dias em determinadas estimativas. A empresa argumenta que modelos menores podem alcançar as capacidades necessárias para realizar o ciclo completo ainda em 2026, caso o progresso observado continue. Trata-se de uma projeção condicionada à evolução dos modelos, não de uma previsão garantida de infecção em massa.
O limite entre o experimento e uma ameaça real
O estudo não demonstrou que uma IA autorreplicante já esteja operando livremente em TVs Android comerciais. Também não provou que os modelos testados consigam superar automaticamente as proteções de aparelhos atualizados ou comprometer redes corporativas bem configuradas.
O que foi demonstrado é mais específico: modelos atuais já conseguem realizar diversas tarefas que poderiam integrar uma cadeia de propagação, inclusive preparar inferência em diferentes tipos de hardware e coordenar operações em uma rede com controles deliberadamente reduzidos.
A previsão de que modelos com menos de 30 bilhões de parâmetros possam reunir essas capacidades de maneira mais confiável reforça a necessidade de prevenção. O risco depende não apenas da inteligência do modelo, mas também da existência de dispositivos vulneráveis, de credenciais expostas e de ferramentas que permitam executar ações no sistema operacional.
Como proteger seus dispositivos inteligentes contra botnets de IA
A principal medida de proteção não é tentar identificar se um modelo de inteligência artificial está sendo executado em um aparelho, mas reduzir as possibilidades de invasão, limitar a comunicação entre dispositivos e detectar comportamentos anormais. Essas medidas também ajudam contra botnets tradicionais, que continuam representando uma ameaça concreta.
1. Desative a depuração quando ela não for necessária
Em TVs Android, TV boxes e outros equipamentos compatíveis, verifique se as opções de desenvolvedor e a depuração ADB estão ativadas. Se não forem necessárias, desative-as.
Evite conectar aparelhos a redes que exponham a interface ADB sem autenticação. Não disponibilize portas de depuração diretamente na internet e não presuma que um dispositivo está protegido apenas porque sua interface de configuração exige uma senha.
Se você administra equipamentos de desenvolvimento, mantenha o ADB restrito a estações autorizadas e redes específicas. Em ambientes corporativos, monitore tentativas de acesso a portas de administração e depuração.
2. Separe as TVs e os equipamentos IoT da rede principal
Uma estratégia eficiente é utilizar segmentação de rede por VLANs para separar TVs, câmeras, lâmpadas, assistentes de voz e outros dispositivos inteligentes dos computadores de trabalho e dos servidores.
Em residências, uma rede Wi-Fi para visitantes pode ajudar, desde que esteja realmente isolada da rede principal. Entretanto, uma VLAN dedicada a dispositivos IoT oferece mais controle sobre as regras de comunicação.
O objetivo é impedir que o comprometimento de uma TV permita acesso irrestrito a um notebook, a um dispositivo de armazenamento conectado à rede ou a outros equipamentos.
Configure regras para permitir apenas as conexões necessárias. Sempre que possível, bloqueie a comunicação lateral entre dispositivos IoT e restrinja o acesso administrativo à rede.
3. Mantenha o firmware atualizado
Aplique atualizações disponibilizadas pelo fabricante para corrigir falhas de segurança no sistema operacional, nos serviços de rede e nos componentes embarcados.
Antes de comprar uma TV box Android genérica, verifique se o fabricante oferece atualizações, informa a procedência do equipamento e mantém um canal de suporte. Aparelhos que permanecem anos sem correções podem acumular vulnerabilidades conhecidas.
Se um dispositivo não recebe mais atualizações e não permite restringir adequadamente o acesso à rede, considere substituí-lo. Quando isso não for possível, mantenha-o em uma rede isolada, com acesso limitado à internet e sem comunicação desnecessária com outros equipamentos.
4. Monitore o tráfego da rede local
Uma possível botnet de IA pode produzir padrões diferentes dos observados no uso normal de uma TV ou de um eletrodoméstico conectado.
Entre os sinais que merecem investigação estão:
- Transferências volumosas de dados, especialmente quando um aparelho normalmente consome pouco tráfego.
- Conexões frequentes entre dispositivos locais que não deveriam precisar se comunicar.
- Tentativas repetidas de conexão a portas administrativas ou de depuração.
- Aumento persistente do tráfego de saída, mesmo quando o equipamento está aparentemente ocioso.
- Uso anormal de processador, memória ou rede, acompanhado de aquecimento ou lentidão.
Esses sinais não confirmam, isoladamente, uma infecção. Atualizações legítimas, streaming e serviços de sincronização também podem gerar tráfego elevado. O importante é estabelecer uma referência do comportamento normal e investigar desvios persistentes.
Em redes corporativas, ferramentas de monitoramento de fluxo, sistemas de detecção de intrusão e registros do firewall podem ajudar a identificar conexões inesperadas. Em casa, alguns roteadores oferecem estatísticas de consumo por dispositivo e controles de acesso que já contribuem para essa tarefa.
5. Reduza a exposição e prepare uma resposta a incidentes
Altere senhas padrão, desative serviços que não utiliza e evite instalar aplicativos de fontes desconhecidas. Essas medidas reduzem a superfície de ataque, embora não substituam correções de vulnerabilidades no sistema operacional.
Se um aparelho apresentar sinais consistentes de comprometimento, retire-o temporariamente da rede e verifique os registros do roteador. Em ambientes corporativos, preserve evidências e siga o procedimento de resposta a incidentes antes de restaurar ou reinstalar o equipamento.
Uma restauração de fábrica pode ajudar em alguns casos, mas não garante a eliminação de todos os problemas, especialmente quando há falhas no firmware ou quando o dispositivo continua exposto ao mesmo vetor de ataque.
O princípio mais importante é limitar o impacto de uma eventual invasão. Mesmo que um aparelho seja comprometido, ele não deve ter acesso irrestrito aos demais equipamentos da rede.
O futuro da segurança na era das IAs autônomas
O experimento da Anthropic reforça uma mudança importante na segurança digital: a inteligência artificial não precisa ser executada exclusivamente em grandes datacenters para participar de operações complexas. Modelos menores podem utilizar recursos de hardware distribuídos e, quando combinados com ferramentas de automação, executar sequências de tarefas que antes exigiam intervenção humana mais frequente.
Isso não significa que uma TV inteligente se tornará consciente ou decidirá espontaneamente invadir outros aparelhos. O risco está na combinação de modelos capazes de agir de forma autônoma, ferramentas com permissões suficientes e dispositivos vulneráveis. Essa combinação pode tornar ataques mais adaptáveis e reduzir o esforço necessário para explorar redes mal protegidas.
Para o ecossistema Android e Linux, a discussão também evidencia a importância de atualizações de segurança, configurações seguras por padrão e suporte prolongado dos fabricantes. O uso de componentes de código aberto não é, por si só, um problema. O risco aumenta quando fabricantes distribuem sistemas derivados desses projetos sem manter correções, restringir interfaces administrativas ou documentar adequadamente suas práticas de segurança.
A descentralização da computação também exige atenção. Se modelos puderem ser divididos entre diferentes dispositivos, a defesa não poderá depender apenas do bloqueio de um servidor central. Será necessário observar o comportamento dos equipamentos, controlar as conexões laterais e coordenar respostas entre administradores, fabricantes e provedores de internet.
A própria análise da Anthropic reconhece que a velocidade de propagação pode ser lenta e que os resultados dependem de condições específicas. Ainda assim, esperar pela primeira botnet de IA comprovadamente autorreplicante para corrigir falhas conhecidas seria uma estratégia arriscada. Proteger dispositivos IoT hoje também é uma forma de reduzir a superfície de ataque para ameaças futuras.
Verifique se sua Android TV utiliza firmware atualizado, mantenha a depuração desativada quando não for necessária e evite conectar aparelhos sem suporte a redes que armazenam dados importantes.