A Tamnoon, plataforma de remediação de segurança em nuvem movida a inteligência artificial, desenvolveu o Tami, um orquestrador agêntico capaz de investigar e corrigir achados de segurança na nuvem. A solução foi construída sobre o Amazon Bedrock e o caso foi descrito pelo blog de machine learning da AWS em 14 de outubro de 2026.
Segundo o relato, a abordagem levou a uma redução superior a 90% da exposição crítica em 90 dias, com zero problemas registrados em produção.
O gargalo entre encontrar e corrigir
Plataformas de proteção de aplicações nativas da nuvem (CNAPP), provedores de nuvem e scanners de postura geram mais achados do que qualquer equipe consegue triar. O material lista quatro obstáculos recorrentes: o volume de alertas supera o tamanho dos times; a investigação é manual e repetitiva, consumindo horas de engenheiros seniores para descobrir quem é o dono do recurso, o que depende dele e se a correção é segura; o medo de derrubar a produção bloqueia a automação; e a priorização reativa faz as equipes tratarem alertas em fila, em vez de atacarem causas-raiz que resolvem vários problemas de uma só vez.
A Tamnoon trata esse conjunto como um pipeline único, que vai da ingestão do achado até a correção validada. A plataforma normaliza achados vindos de CNAPPs, de provedores de Cloud Security Posture Management (CSPM) e de outras ferramentas de segurança em um esquema unificado, enriquece os itens com contexto de ativo e de exposição e os prioriza.
Só então entra a camada agêntica.
Quatro agentes especializados
O trabalho é dividido entre quatro agentes, cada um responsável por uma fase distinta da remediação, todos rodando em arquitetura serverless orientada a eventos na AWS, de modo que cada etapa escala de forma independente e falha de forma segura.
O agente de investigação se apoia em treinamento com milhões de ambientes de nuvem reais de clientes para determinar contexto e filtra esse contexto por uma camada de validação do tipo LLM-as-a-judge. Ele raciocina sobre o objetivo da remediação, o escopo operacional e a verificação específica de cada provedor de nuvem, produzindo etapas de investigação apenas de leitura e um plano completo de investigação.
O agente de pontuação de segurança monta uma cadeia de evidências por ativo, combinando resultados de verificações automatizadas com achados de analistas. Ele classifica a remediação de cada item como SAFE, RISKY ou AWAITING DATA, com viés deliberadamente conservador: em caso de dúvida, rebaixa a classificação.
O agente de remediação só é acionado para achados que o agente de segurança considerou seguros. Ele raciocina sobre ordenação, dependências e condições, e então gera um plano em que cada passo segue a estrutura backup, remediar e verificar, incluindo orientação de rollback.
Já o agente de geração de código transforma os passos do plano em remediação executável, mas somente depois que um guardrail de entrada verifica relevância e tentativas de prompt injection. Todo artefato passa por um ciclo automático de geração e revisão, no qual um agente revisor separado precisa aprovar a saída.
Por que isso importa
A proposta da Tamnoon é atuar ao lado das CNAPPs que as equipes já usam, com o assistente Tami ajudando especialistas humanos a investigar, priorizar e corrigir configurações incorretas em ambientes de clientes na AWS, no Azure, no Google Cloud e em outros provedores. O ponto central é que a maior parte do trabalho — investigação, priorização e planejamento da remediação, acontece antes de qualquer mudança tocar um ambiente ao vivo.
É isso que, segundo a empresa, torna a remediação automatizada confiável em escala.
O caso também ilustra um movimento mais amplo: em vez de usar modelos de linguagem apenas para resumir alertas, a arquitetura emprega agentes com papéis separados e camadas de validação cruzada. A separação entre quem investiga, quem pontua risco, quem planeja e quem escreve código reduz a chance de uma decisão errada chegar à produção, ao custo de mais etapas e mais verificações.
Para times de segurança asfixiados por backlog, é uma troca que o material apresenta como vantajosa, sustentada pelo número de exposição crítica reduzida em três meses.
