AIはサイバー攻撃者に初期優位をもたらすが、長期戦では防御側が勝つ可能性

Google Newsは、AIが防御側により強い長期的な優位を生み出す可能性があるにもかかわらず、サイバー攻撃者には即時の機会を与えているという厳しい対立構図を浮き彫りにした。この緊張関係は、人工知能がハッキングを高速化するという単なる警告よりも有益だ。

攻撃者はすでにモデルを使い、標的の調査、悪意あるコードのトラブルシューティング、欺瞞的なメッセージの翻訳、脆弱性発見の一部自動化を行える。防御側も同じ能力を利用できるうえ、内部テレメトリー、ソースコード、システムの文脈、恒久的な修正を適用する権限を持つ。

したがって決定的な問いは、AIが攻撃と防御のどちらを支援するかではない。防御側がAIを信頼できるデータと運用管理に結び付ける前に、攻撃者が一時的な能力格差を悪用できるかどうかだ。

最近の証拠は、この攻撃側の猶予期間が現実のものであることを示している。Googleは2026年、これまで知られていなかったソフトウェア脆弱性を発見し、悪用可能な形にするためにAIが支援したとみられる活動を明らかにした。一方で、以前の観測では、国家支援を受けた主体はAIを主に生産性向上の補助として利用しており、自律的なハッキングシステムとして使ってはいなかった。

この進展は、サイバー紛争におけるAIを二段階で捉える見方を裏付ける。攻撃側は、攻撃者がリスクの高いツールを素早く導入できるため、初期段階で最も明確な機会を得る。防御側は、組織がソフトウェア開発、アイデンティティ、監視、インシデント対応にわたって信頼性の高い自動化を展開できるようになれば、より強い構造的立場を得る。

Google Newsの記事が実際に変えたこと

重要な変化は、攻撃者がAIを見つけたことではない。AI支援が周辺的な作業から、脆弱性の発見と悪用へと移り始めたことだ。

Google Newsで取り上げられた記事は、AIが短期的には攻撃側に機会をもたらす一方、長期的には防御側を優位にすると論じた。この主張は、研究者がサイバー攻撃・防御の均衡を初めて議論した頃には十分に発達していなかった運用上の証拠と、いま並び立っている。

2025年1月、Google Threat Intelligence Groupは、政府支援を受けた主体がGeminiをどのように利用しているかを調査した。Geminiの不正利用に関する調査結果は、高度持続的脅威と組織的な影響工作を対象としている。

Googleは、イラン、中国、北朝鮮、ロシアに関連する主体が、異なる作戦段階でこのモデルを利用していることを確認した。作業には、標的調査、脆弱性分析、スクリプト作成支援、インフラ調査、コンテンツ生成、翻訳が含まれていた。

しかしGoogleは、これらの主体がGeminiを通じて独自の能力を開発したとは確認していない。主に、すでに理解していた作業の効率を高めていた。

このカテゴリで観測されたGemini利用の4分の3は、イランの情報工作主体によるものだった。Googleのデータセットに含まれる国家支援グループの中でも、イランのサイバー主体が最も頻繁に利用していた。

これらの調査結果は、実用的な悪用と、推測上の自律ハッキングを切り分けた点で重要だった。AIは人件費を下げ、摩擦を減らしていたが、熟練したオペレーターを置き換えてはいなかった。

状況は2026年5月にさらに変化した。Googleは、悪意ある主体がゼロデイ脆弱性を特定し、悪用可能な形にするためにAIを用いたとみられる活動を阻止したと述べた。

ゼロデイとは、開発元が利用可能な修正を公開する前に悪用されるソフトウェアの欠陥を指す。この種の欠陥は、防御側が既存のパッチを適用するだけでは対処できないため、価値が高い。

ゼロデイに関する報道によれば、Googleは攻撃者、標的、関与したモデルについてほとんど詳細を明らかにしていない。また、この活動が敵対的な政府と結び付く証拠も確認されなかった。

このように帰属が不明であるため、分析者が導ける結論には限界がある。AIが独力で欠陥を発見、検証、運用可能な状態にしたことを示すものではない。

それでも、この事案は重要な閾値を越えている。AI支援はもはや翻訳、調査、コードのデバッグに限られていなかった。報道によれば、実際の運用価値を持つ未知の脆弱性に関わる作業に寄与した。

この移行は、攻撃側が恒久的に優位になることを証明するものではない。Google Newsの見出しで示された攻撃側の機会が、測定可能なものになり始めたことを示している。

攻撃者は、最も強力なモデルと人間の専門家を、価値の高い単一の標的に集中できる。防御側の大半よりも、失敗した試行、不正確な出力、不安定なコード、付随的な損害を受け入れやすい。

数千のアプリケーションを担当する防御側には、異なる基準が求められる。自動化システムは、本番環境を破壊したり、正当なデータを削除したり、不可欠なユーザーをブロックしたりしてはならない。

この非対称性は、攻撃者が先に利益を得られる理由を説明する。攻撃者に必要なのは一つの有用な結果だが、防御の展開は多くのシステムで一貫して機能しなければならない。

その結果生じる優位は深刻だが、一時的なものだ。発見された悪用手法はすべて、防御側が検知、パッチ、アクセス制御、モデルの安全策へと変換できるデータも提供する。

AIが攻撃側に即時の猶予期間を生む理由

攻撃側が先に利益を得るのは、攻撃者が信頼性の低い出力を受け入れ、資源を狭く集中させ、企業環境への展開制約なしに活動できるためだ。

従来の攻撃者はすでに、スキャン、認証情報攻撃、フィッシング、マルウェア配布、コマンド実行に自動化を利用している。生成モデルは、その既存のツールキットに柔軟な推論と自然言語インターフェースを加える。

英国のNational Cyber Security Centreは、短期的評価でこのパターンを予測していた。同機関は、AIがその後2年間にわたり攻撃量と影響をほぼ確実に増加させると判断した。

同機関は、初期段階で最も大きく改善するのは偵察とソーシャルエンジニアリングだと予測した。どちらの活動も、攻撃者が大量の公開情報を処理し、特定の標的に合わせてメッセージを調整する必要がある。

偵察とは、侵入前に標的に関する情報を収集・分析することだ。AIは企業構造を要約し、技術を特定し、従業員を把握し、公開情報源に散在する詳細を結び付けられる。

ソーシャルエンジニアリングは、人を操作してアクセスを許可させたり、情報を開示させたり、安全でない行動を取らせたりする手法だ。モデルは複数の言語で信頼性のあるメッセージを作成し、役割ごとに文体を調整できる。

いずれの能力にも、自律型マルウェアは必要ない。より優れたフィッシングメッセージを書いたり、より速く標的を調査したりする攻撃者は、同じ人員でより多くの侵入を試みられる。

AIは支援作業に必要な専門性も低減する。経験の浅いオペレーターでも、エラーの説明、スクリプトの修正、技術文書の解釈、別の手法の提案をモデルに求められる。

この支援によって、初心者が即座に一流のオペレーターになるわけではない。経験豊富な攻撃者は依然として、どの標的が重要か、ネットワークがどう振る舞うか、生成された回答が危険または誤っているのはいつかを理解している。

ただし、これらのツールは能力分布の下限を押し上げる可能性がある。また、熟練者を反復的な調査やトラブルシューティングから解放する。

AIエージェントがワークフローに入ると、短期的な攻撃側の優位はさらに強まる。エージェントとは、ツールを選択し、目標に向けて複数の手順を実行できるモデルベースのシステムだ。

基本的なチャットボットはテキストを返す。エージェントは、リポジトリを調査し、スキャナーを実行し、結果を分析し、コードを変更し、定義された権限の下でその工程を繰り返せる。

このループは、より高速な脆弱性調査の機会を生む。システムは仮説を立て、検証し、失敗を調べ、有用な中間結果を保持できる。

現在のエージェントは依然として、長時間のタスク、変化する環境、誤解を招くフィードバックへの対応に苦戦している。また、無効な仮定を追い続けて行き詰まることもある。

攻撃者には、こうした弱点を回避する余地がある。複数のエージェントを動かし、失敗した試行を捨て、有望な経路が現れた場合にのみ人間が介入すればよい。

十分な資源を持つグループは、高価な推論を単一の標的に集中させることもできる。推論とは、訓練済みモデルが回答を生成または評価する際に使われる計算処理だ。

この集中は重要だ。高度なサイバー推論には、多数のモデル呼び出しが必要になる場合がある。各試行では、コードの検査、テスト計画の作成、ツールの実行、結果の再評価が行われうる。

防御側は、すべてのアプリケーション、エンドポイント、アラートに対して、常に同程度の計算資源を投入できるとは限らない。その予算は環境全体をカバーしなければならない。

したがって攻撃者の機会は、AIの普遍的な優越性ではなく、選択的な集中から生まれる。慎重に支援された一つのシステムが価値の高いコンポーネントを攻撃できる一方、防御側は数百万の潜在的な弱点に資源を分散させる。

攻撃者はモデルの誤りに対しても、より高い許容度を持つ。生成されたエクスプロイトは、一つのバージョンが機能するまで何度もクラッシュしてよい。

本番環境の防御パッチは、そのようには扱えない。機能を維持し、変更管理に従い、別の脆弱性を導入しないことが求められる。

この違いは、攻撃側の実証が同等の防御導入より先に現れることが多い理由を説明する。「有用」の基準が攻撃側でははるかに低いのだ。

ただし、この優位を戦略的効果が保証されることと混同すべきではない。欠陥を見つけても、アクセスの獲得、永続化、データ窃取、軍事的価値が保証されるわけではない。

組織は、脆弱なソフトウェアの周囲に認証、エンドポイント監視、ネットワーク分割、バックアップ、インシデント対応を重ねている。エクスプロイトは、その後のどの段階でも失敗しうる。

AIは攻撃サイクルの一部を短縮する。それでも、インフラ、運用上の安全性、標的に関する知識、判断の必要性はなくならない。

真の争点は一時的なアクセスと持続的な修復の対比

攻撃者は侵入の成功から一度だけ価値を得るが、防御側は一つの発見を、更新されたすべてのシステムを守る対策へと変えられる。

これがAIサイバー紛争における中心的な逆転だ。攻撃側の成功はしばしば一時的だが、正しく適用された防御上の改善は持続しうる。

脆弱性を発見した攻撃者は、その欠陥が露見し、緩和され、または修正されるまで機会を得る。防御側が侵害指標を配布し、システムを更新するにつれて、その価値は低下する。

根本的な弱点を取り除く防御側は、ソフトウェア自体を変える。パッチが適用されたすべての導入環境は、将来の攻撃者による同じ経路を拒める。

Andrew Lohnによる2025年の攻防研究は、攻撃側を有利とする九つの論拠と、防御側を有利とする九つの論拠を検討した。最終的に、AIがサイバー紛争と競争に影響を及ぼしうる44の方法を特定した。

この研究は、サイバー領域全体に対する単一の答えを退けた。AIは一部の攻撃活動を強化し、一部の防御活動を強化し、他の力学には変化をもたらさない可能性がある。

この限定は不可欠だ。「防御が勝つ」という表現は、フィッシング、レガシーシステム、脆弱なアイデンティティ、迅速にパッチを適用できない組織を無視すれば、あまりに広すぎる。

むしろ長期的な防御側の根拠は、複数の複利的な優位にある。

第一に、防御側は自らのシステムを調査できる。ソースコード、アーキテクチャ記録、エンドポイントイベント、アイデンティティログ、クラウド構成、インシデント履歴を保有している。

攻撃者は、不完全な証拠からその環境を推測しなければならない。作戦がすでに始まるまで、内部の管理策を確認できないことが多い。

第二に、防御側は変更を承認できる。認証情報を無効化し、マシンを隔離し、ソフトウェアを更新し、不要なサービスを削除し、安全でないコンポーネントを再設計できる。

攻撃者はシステムを操作できても、その将来のアーキテクチャを確実に決定することはできない。防御側が根本的な条件を取り除けば、攻撃者の足場は消える。

第三に、防御側は集団として学習できる。ある組織に対して観測された手法は、他の多くの組織向けのシグネチャ、振る舞い検知、ライブラリのパッチ、セキュリティ製品の更新につながり得る。

攻撃者もツールや知識を共有するが、公開された悪用にはコストが伴う。露見すればインフラが使えなくなり、手法が明らかになり、大規模な修復対応が引き起こされる可能性がある。

第四に、防御AIは環境内で継続的に稼働できる。デプロイ前の変更を検査し、アラートに優先順位を付け、活動を相関分析し、封じ込めを推奨できる。

この「ホームグラウンド」の優位性は、信頼できるコンテキストに依存する。汎用モデルは一般的なプログラミングやセキュリティのパターンを知っていても、社内システムはどのアプリケーションが認証情報を所有しているかを把握している。

この違いが、アラートが有用な対応へと変わるかどうかを決める。資産の所有者、事業上の重要度、想定される挙動がなければ、不審なアクセスに関する一般的な警告の価値は限られる。

防御の自動化は、こうした事実を結び付けられる。異常なログインが本番データベースにアクセスし、管理対象外のデバイスから発信されたことを特定できる。

その後、既存のポリシーに基づく対応を推奨できる。人間のアナリストは判断を検証するか、限定的な範囲の自動対応を許可できる。

セキュリティチームはすでに、プレイブックを通じて予測可能なタスクを自動化している。AIはシステムが解釈できるイベントの範囲を広げるが、その解釈は信頼できる統制に結び付いていなければならない。

同じ原則はソフトウェアセキュリティにも当てはまる。モデルはコードをスキャンしてパッチを提案できる一方、そのパッチが意図した動作を維持するかどうかはテストとレビューが判断する。

時間の経過とともに、このプロセスは脆弱性のクラス全体を排除し得る。メモリセーフな言語、より強力な認証、権限の縮小、安全なデフォルト設定は、繰り返される悪用をより困難にする。

攻撃者が成功させたプロンプトやスクリプトには、同じ恒久性はない。防御側はそれを研究し、対抗策を構築し、その保護を広く配布できる。

依然として決定的な変数はスピードだ。組織がその展開に何か月も要するなら、持続的な防御は何の利益ももたらさない。

多くの企業は、サポート切れのソフトウェア、忘れ去られた資産、不完全なインベントリ、脆弱なシステムを抱えている。こうした条件は、理論上の防御優位性が運用上の現実となることを妨げる。

したがって長期的な議論は、実装にかかっている。AIは、攻撃者が新たな弱点を悪用するより速く、組織が修復を発見、検証、優先順位付け、展開できるよう支援しなければならない。

Google Newsが捉えた、なお決着していない論争

証拠は攻撃側への移行を支持しているが、自律型AIがすでにサイバー作戦のあらゆる段階を変革したという主張を正当化するものではない。

Google Newsの枠組みが説得力を持つのは、それが一連の流れを描いているからだ。読者がその流れを確立された法則として解釈すれば、誤解を招くものになる。

いくつかの変数は、均衡をどちらの方向にも動かし得る。モデルへのアクセス、計算コスト、ソフトウェアの複雑性、防御側の導入状況、エージェントの信頼性などが含まれる。

競合する分析の一つは、最先端の能力が攻撃者を有利にする可能性を警告している。Center for a New American Securityは、3つの潜在的な非対称性に焦点を当てたフロンティアAI分析を公表した。

第一は推論コストだ。攻撃者は選定した高価値システムに多大な計算資源を振り向けられる一方、防御側は広大な攻撃対象領域をカバーしなければならない。

第二はフルチェーンの自動化である。エージェントが偵察から悪用、永続化までを独力で進められるなら、作戦は機械の速度で進行し得る。

第三はリスク許容度だ。攻撃者は信頼性の低いシステムを投入し、巻き添え被害を受け入れられるが、防御側には予測可能な結果が必要となる。

こうした懸念は、防御側への自動的な移行という見方に直接異議を唱える。防御の規模が役立つのは、組織が必要なシステムを購入でき、信頼し、安全に展開できる場合に限られる。

ソフトウェアの増加も別の問題を生む。AI支援開発により、企業はより多くのコードやサービスを生み出せるため、保護を必要とするコンポーネントの数が増える。

生成コードは一般的な脆弱性を繰り返したり、チームが理解していない依存関係を作り出したりする可能性がある。したがって開発の高速化は、防御レビューが追い付く前に攻撃対象領域を拡大し得る。

AIシステム自体も標的になる。プロンプトインジェクション、データポイズニング、モデル窃取、安全でないツール権限、露出したエージェント認証情報は、新たな障害モードを加える。

プロンプトインジェクションは、信頼できないコンテンツがモデルを操作し、本来の指示を無視させるときに発生する。エージェントがメール、ファイル、ターミナル、クラウドシステムにアクセスできる場合、そのリスクはより深刻になる。

アラートを要約する防御アシスタントの権限は限定的だ。アカウントを無効化したりパッチを展開したりできるエージェントは、操作された後に重大な損害を引き起こし得る。

これは防御導入の核心にある信頼性の問題だ。組織には、自動化されたアクションが限定され、元に戻せ、観測可能であり続けるという証拠が必要である。

攻撃者には同じガバナンス上の負担がない。多数の失敗の中からモデルが一つでも機能するエクスプロイトを生み出せば、彼らは利益を得る。

International AI Safety Reportの能力に関する更新は、両面を示している。そこでは、悪用可能なソフトウェアの欠陥を発見し、パッチを適用できるシステムが取り上げられた。

この更新では、DARPAのAI Cyber Challengeにおけるあるシステムが、合成脆弱性の77パーセントを特定したと報告された。5,400万行のコードにわたり、その61パーセントにパッチを適用した。

これらの結果は、有意義な防御の規模を示唆している。ただし、そのシステムがあらゆる本番環境を安全に修復できる、あるいは適応的な人間の攻撃者を打ち負かせることを示すものではない。

合成ベンチマークには既知の限界がある。制御されたタスク、明確な成功条件、再現可能な評価を提供する。

実際のネットワークには、文書化されていない依存関係、一貫しない構成、レガシーシステム、インシデント中に行動を変えるユーザーが存在する。攻撃者は証拠を隠し、調査担当者を意図的に誤導することもある。

2026年のゼロデイ開示にも同様の慎重さが必要だ。Googleは、脆弱性研究にAIが中心的な役割を果たしたようだと述べたが、運用上の詳細の多くは明らかにしなかった。

一般の人々は、モデルがどれほどの作業を担ったのかを独立して評価できない。人間の専門家が標的を選び、実験を設計し、誤りを修正し、最終的なエクスプロイトを開発した可能性がある。

その不確実性は、この出来事を無意味にするものではない。適切な報道上の境界を定めるものだ。

証拠は、攻撃者が汎用的な支援を超えて進んでいることを示している。しかし、完全自律型エージェントが専門家の監督なしに高度なキャンペーンを確実に実行できることを証明するものではない。

この区別は、政策と調達にとって重要だ。誇張された主張は、組織を未検証のセキュリティ自動化へ向かわせたり、既存の脅威にはほとんど効果のない制限を正当化したりしかねない。

盗まれた認証情報、露出したサービス、フィッシング、脆弱な復旧プロセス、遅延したパッチ適用は、依然として有効である。AIはそれらの手法の一部を高速化するが、置き換えるわけではない。

したがって、最も責任ある判断は条件付きのものとなる。攻撃側は短期的な導入優位性を持つ一方、防御側はより強い構造的資源を有している。

どちらがより多くの価値を獲得するかは、展開の速度と組織的な能力に左右される。技術だけが勝者を選ぶわけではない。

長期的な防御優位には運用上のコンテキストが必要

防御側が長期戦で勝つのは、モデルが無制御の権限を与えられずに、信頼できる組織知識を活用できる場合に限られる。

セキュリティモデルに必要なのは、公開された脆弱性データだけではない。資産、所有者、依存関係、ポリシー、過去のインシデント、許容可能な事業リスクを理解しなければならない。

そのコンテキストは、多くの場合、チケット、アーキテクチャ文書、コードリポジトリ、チャットスレッド、クラウドコンソール、従業員の知識にまたがって存在する。断片化により、アナリストが迅速に行動することは難しくなる。

組織は、機密文書をすべて無制限のモデルへコピーすることで、この問題を解決すべきではない。セキュリティコンテキストには、アクセス制御、保持ルール、監査証跡、明確な境界が必要である。

実用的なアーキテクチャでは、推論と権限を分離する。モデルは証拠を集約してアクションを推奨できる一方、ポリシーシステムが許可されるアクションを決定する。

影響の大きい操作にはレビューを必要とすべきだ。例には、特権アカウントの無効化、本番ファイアウォールの変更、ワークロードの削除、広範なコード変更の展開が含まれる。

より低リスクな操作は、より速く進められる。システムはアラートを拡充し、資産所有者を特定し、ランブックを取得し、封じ込め計画の草案を作成できる。

この分割により、防御側は不確実なモデルに無制限の制御を与えずに、速度を取り込める。また、チームがインシデント後に検証できる記録も作られる。

サイバー防御は累積的であるため、組織の記憶は重要だ。すべてのインシデントが検知、アーキテクチャ、手順を改善するとき、組織は攻撃しにくくなる。

チームには、ある統制がなぜ存在するのか、どの例外が承認されたのか、過去の調査がどのように結論へ至ったのかを検索できる記録が必要である。維持されたエンジニアリング知識ベースは、その作業を支えられる。

こうした記録の品質はAIの性能に影響する。モデルは、古くなったインベントリ、矛盾するランブック、欠落した所有者情報から正確に推論することはできない。

したがって防御の準備には、基本的な情報衛生を含めなければならない。組織には、最新の資産インベントリ、依存関係マップ、ID記録、テスト済みの対応手順が必要だ。

AIはこれらのリソースの維持を支援できるが、何もないところから正確なグラウンドトゥルースを作り出すことはできない。不正確なデータを自信を持って要約しても、そのデータは依然として不正確なままだ。

セキュリティリーダーは、モデルの活動ではなく成果も測定すべきだ。生成された検出結果の数は、実際のリスク低減についてほとんど語らない。

有用な指標には、アラートの検証時間、侵入の封じ込め時間、パッチ展開時間、再発率、アナリストによる修正率が含まれる。

偽陽性には細心の注意を払うべきだ。絶えず低品質な警告を出す防御エージェントは、節約する以上にアナリストの時間を消費しかねない。

偽陰性も同じく重要だが、測定はより難しい。チームは、既知のインシデント、模擬攻撃、意図的に欺瞞的な入力に対してシステムをテストすべきである。

組織にはロールバック機構も必要だ。自動修復では、有害な変更を迅速に元へ戻せるだけの状態を保持すべきである。

限定的な権限は、モデルが失敗したり操作されたりした際の被害を抑える。各エージェントは、割り当てられたタスクに必要なツールと情報にのみアクセスすべきだ。

人間の専門知識は依然として中心的である。アナリストは、モデルの説明がシステムの挙動と矛盾する場合や、重大な可能性を見落としている場合を見抜かなければならない。

AIは判断をなくすのではなく、作業の配分を変える。モデルは証拠を処理してアクションを提案できる一方、人々は不確実性と結果を管理する。

この運用モデルは、機械の速度を特権的なコンテキストと説明責任を伴う権限に組み合わせるため、防御上の優位性を強める。

こうした基盤がなければ、AIは防御側が保護しなければならない、もう一つの複雑なシステムになる。リスクを減らすどころか、攻撃対象領域を拡大する可能性がある。

次の勝者を決める3つのシグナル

次の段階は、自律的な悪用の証拠、本番環境レベルの修復率、防御展開の速度によって決まる。

第一のシグナルは、完全な攻撃チェーンにわたるAI利用が独立して文書化されることだ。

研究者は、システムが標的を選定し、新たな欠陥を発見し、エクスプロイトを開発し、アクセスを獲得し、制御を維持したという証拠を探すべきである。人間の関与についても記述されなければならない。

こうした証拠があれば、攻撃側に有利だとする見方はより強まる。AIが単発のタスクを支援するだけでなく、運用上のボトルネックを取り除けることを示すからだ。

ログ、方法論、独立した分析を伴わない主張は、重みを低く見るべきである。ベンダーや政府には、能力と脅威の双方を強調するインセンティブがある。

第2のシグナルは、防御エージェントが実際のソフトウェアで検証済みの修正を生み出せるかどうかだ。

ベンチマークでの性能は価値があるが、より重要なのは本番環境での結果である。組織は、AI生成パッチがどの程度の頻度でテストに合格し、レビューを通過し、回帰を回避できるのかを知る必要がある。

安全で受け入れられるパッチの比率が上昇すれば、長期的には防御側に有利だとする議論が強まる。AIが広範なコードアクセスを持続的なリスク低減へと変えられることを示すからだ。

逆の結果になれば、その議論は弱まる。却下率の高さや回帰の繰り返しは、攻撃者側の許容度という優位性を維持することになる。

第3のシグナルは、一般的な組織全体での導入スピードである。

大手テクノロジー企業は、高度なモデル、脅威インテリジェンス、大規模なセキュリティチームを組み合わせられる。一方で中小企業、病院、行政機関、インフラ運営者は、より厳しい予算制約と旧式のシステムに直面している。

効果的な防御ツールが資源の豊富な組織に集中したままであれば、攻撃者はより脆弱な標的へと注意を向け直せる。エコシステム全体の格差はさらに広がる可能性がある。

広範な導入は、その計算を変える。マネージドセキュリティプロバイダー、クラウドプラットフォーム、ソフトウェアベンダーは、多くの顧客へ防御面の改善を配布できる。

Google Newsの論点が最も説得力を持つのは、防御側の学びが攻撃手法よりも速く広がるときだ。一度発見された脆弱性は、ソフトウェアが動作するあらゆる場所での保護につながるべきである。

したがって読者は、劇的なハッキングのデモンストレーションを評価指標の一面にすぎないものとして捉えるべきだ。修復の速さ、パッチの適用範囲、再発状況がもう一方の側面を示す。

短期的には、犯罪者や国家支援を受けるアクターによる実験が増える見通しだ。彼らは、AIが労力を減らし、標的設定を改善し、技術作業を加速するあらゆる場面でAIを利用するだろう。

長期的な結末はなお開かれているが、防御側にはより優れた基盤がある。防御側はシステムを管理し、テレメトリーを収集し、変更を承認し、成功した修正を持続させることができる。

ただし、その基盤が優位性を生むのは、規律ある実行を通じてのみである。組織はモデルを正確なコンテキストに接続し、その権限を制限し、提案を検証し、実際のリスク低減を測定しなければならない。

次にGoogle Newsで自律型ハッキングに関する主張を目にしたときは、3つの問いを投げかけるべきだ。モデルはどこまで実行したのか、防御側はどれだけ迅速に対応したのか、そして修復はその経路を排除したのか。

その答えは、AIが攻撃の好機を広げているのか、それともついに防御側がそれを閉じる助けになっているのかを明らかにする。