ASIRF: novo framework de IA supera filtro de privacidade da OpenAI

O que aconteceu

O ASIRF, sigla de Agentic Sensitive Information Redaction Framework, foi apresentado em um artigo publicado no arXiv em 24 de setembro de 2026 pelo pesquisador Mohamed Chahine Ghanem. O framework parte de uma premissa simples e incômoda para os sistemas atuais: informação sensível não é uma categoria universal, ela depende do domínio e da intenção de quem lê o texto.

A abordagem do ASIRF é diferente da usada por filtros de privacidade e reconhecedores de entidades nomeadas, que fixam uma taxonomia no momento do treino e exigem retreinamento para cada novo domínio. O framework consulta uma base de conhecimento flexível e recupera definições específicas do domínio da entrada no momento da inferência. Não há retreinamento.

O artigo descreve duas arquiteturas: um pipeline multiagente de três chamadas e uma variante de agente único. Ambas foram avaliadas em dez modelos pequenos de pesos abertos e oito datasets, incluindo domínios fictícios fora da distribuição de treino. O comparativo usou o OpenAI Privacy Filter (OPF) como linha de base de classificador treinado.

Com apenas algumas dezenas de definições escritas por especialistas para cada domínio e nenhum dado de treino, o recall do ASIRF superou o do OPF em 68 das 80 combinações de modelo e domínio, ou 85%, por pelo menos uma das duas arquiteturas. As derrotas ficaram concentradas sobretudo nos domínios que fazem parte da distribuição de treino do OPF, segundo o próprio artigo.

Contexto

O problema que o ASIRF ataca é estrutural. Um filtro de privacidade treinado para reconhecer nomes, CPFs ou dados médicos tende a falhar quando o texto muda de contexto. O que é sensível em um contrato jurídico pode não ser em um relatório financeiro, e vice-versa. Como a taxonomia fica congelada no treino, cada domínio novo obriga a refazer o trabalho.

O OpenAI Privacy Filter representa essa lógica de classificador treinado. É a referência que o artigo usa para medir o custo dessa rigidez. O ASIRF tenta resolver o mesmo problema por outro caminho: em vez de aprender uma lista fixa, ele busca definições contextuais em uma base de conhecimento no instante da inferência.

A escolha de testar em domínios fictícios é relevante. São cenários que não existem em nenhum corpus de treino conhecido, e por isso funcionam como teste de generalização real. É justamente onde os modelos treinados costumam tropeçar.

Por que importa

A diferença entre 68 de 80 combinações e o restante não é detalhe acadêmico. Recall mede quanto do que deveria ser apagado foi de fato apagado. Em anonimização de documentos, um recall baixo significa dado sensível vazando, seja em registros médicos, processos judiciais ou bases de RH.

O custo operacional também muda de patamar. Retreinar um classificador para cada novo domínio exige dados rotulados, tempo de engenharia e validação. O ASIRF troca isso por algumas dezenas de definições escritas à mão por especialistas, sem dado de treino, segundo o artigo.

Para empresas que lidam com dados regulados, o ganho potencial está em adaptar o sistema a um novo tipo de documento sem passar por um ciclo completo de machine learning. O artigo não detalha custo de inferência nem latência das duas arquiteturas, nem diz se o framework foi testado em produção.

Impacto

O resultado sugere que modelos pequenos de pesos abertos, quando organizados em um pipeline agêntico com conhecimento externo, conseguem competir com classificadores treinados em tarefas de redação sensível. Isso reduz a dependência de modelos grandes e fechados para esse tipo de tarefa.

A ressalva está nas condições em que o OPF venceu. As derrotas do ASIRF ficaram concentradas nos domínios que fazem parte da distribuição de treino do filtro da OpenAI, o que indica vantagem natural de quem já viu aquele tipo de dado antes. Fora dessa zona, o quadro se inverte.

O artigo não informa quais são os dez modelos avaliados por nome, nem os oito datasets utilizados. Também não divulga números absolutos de recall por modelo, apenas a contagem agregada de 68 de 80 combinações.

O que muda

A pesquisa desloca a pergunta central. Em vez de treinar um classificador maior e com mais dados, a proposta é dar ao agente uma base de definições contextuais e deixá-lo consultá-la na hora. O conhecimento sai do peso do modelo e vai para um repositório editável por especialistas de domínio.

Isso tem implicação direta para equipes de compliance e segurança. Ajustar o que conta como sensível passa a ser uma tarefa de curadoria de definições, não de reanotação de dataset. O artigo afirma que não há necessidade de dado de treino para essa adaptação.

O que vem agora

O ASIRF está descrito como preprint no arXiv, com data de submissão em 24 de setembro de 2026, e ainda não passou por revisão por pares. O artigo não menciona planos de publicação de código, dataset ou demonstração pública do framework.

O próximo passo natural da pesquisa seria a replicação por outros grupos e a comparação em domínios reais regulados. Nenhum desses desdobramentos está confirmado no material disponível.

Fontes

• arXiv cs.AI: ASIRF: An Agentic Framework for Context-Dependent Sensitive Information Redaction (https://arxiv.org/abs/2609.29191)