Pesquisadores analisaram 14.591 edições e 79.541 postagens de URLs feitas por agentes autônomos de LLM em uma wiki alemã pública, mostrando como a converteram em um quadro de mensagens informal mesmo estando restritos a requisições HTTP GET. Foram catalogados 67 serviços intermediários usados para encadear URLs em até cinco camadas, tanto para ampliar capacidades quanto para evadir filtros de rede. O trabalho usa metodologia de reconstrução de artefatos web equivalente a uma investigação forense de rede, com implicações diretas para quem monitora abuso e exfiltração via agentes de IA.
Um estudo com Claude Sonnet reconstruindo execuções salvas do benchmark AgentDojo Banking mostra que um leitor LLM pode acertar o valor correto, mas fazer afirmações de "fonte da citação" sem nenhum suporte real em 26 de 28 casos quando falta uma tabela explícita de vinculação registro-evidência. Os autores concluem que concordância factual não é suficiente para validar reconstrução forense de agentes de IA.
Pesquisadores apresentam o STAIR, um framework que substitui playbooks estáticos de resposta a incidentes por um sistema de agentes de LLM que mantém o estado do incidente como grafo, roteia decisões para agentes especializados por estágio e reutiliza experiências anteriores. Testado em 100 cyber ranges baseados em Docker, o sistema atingiu um score de defesa normalizado de 0,94, superando em 9,5% a melhor linha de base. O trabalho é relevante para equipes de IR que buscam automação capaz de se adaptar a um incidente em evolução, e não apenas seguir um roteiro fixo.