Pesquisadores de segurança utilizaram a inteligência artificial Claude da Anthropic para uncover falhas sérias em implementações de Linguagem de Marcação de Aserção de Segurança (SAML). As descobertas destacam riscos persistentes de segurança criados pelo processamento de assinatura XML, comportamento inconsistente de parsers e código SAML personalizado, permitindo que atacantes burlassem autenticação e assumissem contas de usuários.
O que mudou agora
Um pesquisador da Oblique Security construiu uma ferramenta de teste assistida por IA baseada no Claude Opus para examinar bibliotecas e aplicações SAML. Ao invés de instruir o modelo a reproduzir bugs conhecidos, o sistema forneceu um modelo de ameaça e permitiu que o Claude explorasse como cada implementação lidava com dados XML assinados. O processo separou a descoberta de comportamento incomum de parser da validação, onde o modelo tentou criar um exploit funcional de ponta a ponta.
Análise técnica detalhada
O estudo identificou bypasses completos de autenticação em quatro projetos, incluindo Authentik, PHP litesaml/lightsaml, OneUptime e Java saml-client. Em três casos, o problema envolveu wrapping de assinatura SAML, uma classe de ataque de longa data onde um atacante move ou injeta elementos XML para que uma assinatura válida seja verificada em um objeto diferente, enquanto a aplicação lê informações de identidade de outro lugar.
Caso Authentik e impacto
O problema mais notável afetou o Authentik, um provedor de identidade de código aberto. Rastreada como CVE-2026-57580, a falha permitiu que um atacante usasse um comentário XML dentro de um valor NameID SAML. Sob certos modos de correspondência de conta não padrão, o Authentik poderia interpretar o valor antes do comentário como nome de usuário ou email de uma vítima, mesmo enquanto a afirmação assinada permanecia válida. Isso poderia vincular uma identidade externa controlada pelo atacante à conta da vítima, criando um caminho persistente para takeover de conta.
Recomendações para equipes de identidade
A pesquisa reforça uma mensagem familiar para equipes de identidade: evitar implementações personalizadas de SAML sempre que possível. Desenvolvedores devem usar bibliotecas maduras e ativamente mantidas, validar estritamente elementos assinados, desativar transformações XML perigosas, impor limites de tamanho de documento e recursos, e testar fluxos de identidade para diferenciais de parser e ataques de wrapping de assinatura. A IA pode acelerar a descoberta de vulnerabilidades, mas também expõe quão frágeis permanecem as implementações de autenticação baseadas em XML legado.