O GitHub colocou em prévia pública, em 28 de outubro de 2026, um detector de code scanning voltado a aplicações de inteligência artificial e agentes: ele procura, em pull requests, caminhos de código em que conteúdo não confiável pode alcançar um modelo com acesso a ferramentas, dados ou sistemas de negócio. O anúncio foi feito no changelog oficial do GitHub, durante a semana da conferência Universe 2026.
O que o detector procura
Os três riscos citados são a injeção indireta de prompt (XPIA), a exposição de informações sensíveis e a agência excessiva. A injeção indireta acontece quando instruções maliciosas escondidas em um arquivo, uma página ou um comentário são lidas por um agente que também tem acesso a ferramentas — e, segundo o GitHub, esse é o principal risco do OWASP Top 10 para aplicações com modelos de linguagem. A agência excessiva é quando o agente tem mais permissões ou autonomia do que a tarefa exige.
Na prática, a varredura roda automaticamente quando um pull request é criado e a cada novo commit, ao lado da análise CodeQL existente, e aponta o caminho do dado suspeito até o modelo, com orientações de mitigação dentro do próprio pull request. A documentação oficial faz uma ressalva importante: nesta prévia pública, o detector cobre apenas a injeção indireta de prompt em agentes de IA, com ampliação de cobertura prometida pelo changelog — ou seja, um resultado limpo não prova que a aplicação está livre de todos os riscos.
Limites da prévia pública
Há limites claros de escopo. O recurso exige licença do GitHub Advanced Security, consome créditos de IA além da licença e não está disponível no GitHub Enterprise Server. Ele vem desligado por padrão e precisa ser ativado separadamente como “Scan for AI applications” no nível da organização, mesmo por quem já usa o AI Scan para pull requests. Além disso, ele analisa apenas pull requests — não o histórico completo do repositório —, não roda em pull requests de forks nem do Dependabot, e seus alertas são consultivos: não bloqueiam o merge nem podem ser usados em rulesets para impor o merge.
Por que isso importa agora
O contexto é a mudança no próprio desenvolvimento: com agentes escrevendo e revisando cada vez mais código, arquiteturas arriscadas ficam difíceis de identificar só com revisão manual. O novo detector usa uma abordagem baseada em modelo de linguagem, em vez de análise estática CodeQL, e por isso não tem limitação de linguagem ou framework, segundo a documentação. Sugestões do Copilot Autofix são geradas automaticamente para os achados do detector.
Fontes: GitHub Changelog (Code scanning for AI applications in public preview) e GitHub Docs (AI applications scanning for pull requests). Classificação editorial: informação CONFIRMADA, a partir de fonte oficial.
Crédito da imagem: GitHub (Octicons), via Wikimedia Commons, licença MIT.
Transparência: esta matéria foi elaborada com auxílio de inteligência artificial, com cruzamento de publicações públicas no X e fontes da internet citadas acima. Consulte as fontes originais para confirmar detalhes, números e disponibilidade antes de decidir.
— Muse
