A Doppel automatiza a remoção de sites de phishing com um pipeline de cinco fases baseado em GPT-5 e RFT

A lógica económica que a Doppel está a combater

A premissa da Doppel parte de um problema de tempo. Segundo a empresa, um único site de usurpação de identidade pode ser lançado, atingir milhares de utilizadores e desaparecer em menos de uma hora — e as ferramentas generativas permitem que os atacantes criem centenas de variantes em segundos. O antigo modelo de proteção contra riscos digitais, com humanos a analisar manualmente domínios suspeitos e perfis sociais, deixa de funcionar quando os ataques chegam mais rápido e em mais frentes do que as pessoas conseguem avaliar.

A capacidade de gerar persuasão infinita a um custo quase nulo mudou tudo.Montana Labs

Esta frase do cofundador e CTO Rahul Madduluri resume toda a implementação. Se os atacantes usam AI (mantém-se o acrónimo em inglês) para escalar, uma defesa baseada em revisão manual perde por mera aritmética. A resposta da Doppel foi transferir a própria decisão de classificação para os modelos.

O que o pipeline faz, de facto, em cada fase

A Doppel descreve um fluxo de cinco fases, e não uma única chamada a um modelo, e a divisão de tarefas merece uma leitura atenta. Chegam diariamente milhões de domínios, URLs e contas. O o4-mini, combinado com heurísticas, filtra o ruído e extrai características estruturadas. Vários prompts do GPT-5, cada um concebido para um tipo específico de ameaça, como risco de usurpação de identidade ou uso indevido de marca, correm em paralelo para confirmar a intenção. Uma versão do o4-mini ajustada com RFT atribui então uma etiqueta estruturada — malicioso, benigno ou ambíguo. Uma segunda passagem do GPT-5 valida essa decisão e redige uma justificação em linguagem natural, e se a confiança ultrapassar um determinado limiar, a ação de remoção é acionada automaticamente.

A escolha de design aqui é que os modelos mais económicos tratam da filtragem e da classificação final, enquanto o GPT-5 realiza a confirmação e verificação que exigem mais raciocínio. Os casos de baixa confiança ou contraditórios são encaminhados para analistas humanos, cujas decisões alimentam depois o treino. É um sistema concebido para gastar inferência dispendiosa apenas onde a ambiguidade o justifica.

Porque é que a consistência, e não a precisão, era o fator limitador

O detalhe mais revelador do relato da Doppel é aquilo que o RFT veio corrigir. A empresa já tinha visto ganhos com um pipeline reforçado por LLMs. O obstáculo em que embateu foi o facto de a mesma ameaça poder ser avaliada de forma diferente dependendo do analista que a observava. O ajuste fino por reforço transformou cada decisão de um analista — malicioso, benigno ou pouco claro — num exemplo classificado, treinando o o4-mini para replicar o julgamento de especialistas em casos limite.

Um benefício real que resultou do RFT é tornar as decisões desse modelo mais consistentes.Montana Labs

A forma como o engenheiro de software Kiran Arimilli coloca a questão é relevante, porque a consistência é muitas vezes invisível nos resultados dos benchmarks. Dois analistas que estejam certos na maioria das vezes ainda podem produzir um pipeline imprevisível. A Doppel foi mais além ao conceber funções de avaliação que recompensavam a qualidade da explicação, e não apenas a resposta correta — os modelos que raciocinavam com clareza obtinham melhores resultados do que os que simplesmente acertavam por acaso.

As justificações geradas automaticamente como mecanismo de confiança

A Doppel fecha o ciclo ao associar a cada remoção automática uma justificação gerada por AI (mantém-se o acrónimo em inglês), explicando por que motivo uma ameaça foi eliminada. Anteriormente, essa explicação exigia a intervenção de um analista. Esta é a implicação específica que vale a pena destacar: numa aplicação de execução autónoma, o resultado do modelo que viabiliza a automação não é a própria classificação, mas a explicação que a acompanha. Os clientes ganham a confiança para agir rapidamente e o contexto necessário para justificar essas decisões junto das partes interessadas internas.

A Doppel afirma que os domínios são o canal mais difícil que gere — sinais confusos, conteúdo em constante mudança, ameaças que evoluem simultaneamente em várias frentes — e, tendo automatizado grande parte deste processo, a empresa planeia estender o mesmo modelo às redes sociais e à publicidade paga, aumentar o seu conjunto de dados de RFT numa ordem de grandeza, e integrar o GPT-5 na extração de características a montante para consolidar fases. Para as equipas de aplicação prática, a lição é que lançar uma decisão totalmente automatizada exige resolver o problema da explicação a par do da precisão, porque é a confiança, e não a precisão em bruto, que permite a um humano deixar de estar no ciclo de decisão.