Claude Mythosが示す、フロンティアAIによるサイバー攻撃タイムラインの圧縮

Google Newsは、AnthropicのClaude Mythosについて具体的な警告を取り上げた。同モデルは、32ステップから成る模擬的な企業攻撃を、10回の評価試行中3回で完了した。この結果は、Mythosが堅牢に防御された企業を突破できることを証明するものではない。しかし、自律型サイバー作戦が単発のデモンストレーションの域を越えたことを示している。

元の記事は、フロンティアモデルが攻撃タイムラインを圧縮する中で、セキュリティチームがどう対応すべきかを検討している。中心にある緊張関係は、理論上のものではなく運用上のものだ。攻撃者は偵察と侵害を加速できる一方、防御側は依然として資産台帳、承認、保守時間帯、人間同士の連携に依存している。

圧力要因はAnthropicだけではない。OpenAIも、より高いサイバーセキュリティ能力の閾値に近づくモデルについて報告している。したがって、浮上しつつある競争は、Claudeと別のモデルの対決にとどまらない。これは、機械速度での脆弱性発見と、人間速度の意思決定を前提に設計された企業セキュリティプロセスとの競争である。

Google Newsが浮き彫りにした、Claude Mythosが実際に変えたこと

Claude Mythosがセキュリティ議論を変えたのは、単なるソフトウェアの欠陥発見ではなく、長い攻撃チェーンを完遂したためだ。

英国のAI Security Instituteは、2026年4月にMythos Previewを評価した。フロンティアAIとは、推論、ソフトウェア作成、ツール利用、長期間にわたるタスクの完了が可能な、高性能の汎用システムを指す。

この評価では、モデルを模擬的な企業・産業環境に配置した。こうしたサイバーレンジでは、1つの限定的な課題を解くだけでなく、多数の個別行動を連結することがモデルに求められた。試行を成功させるには、複数段階にわたる計画、適応、ツール利用、継続性が必要だった。

Mythos Previewは、32ステップの企業ネットワークシナリオを10回中3回で完了した。報道によれば、GPT-5.5は2回で完了した。従来のモデルは、模擬されたチェーン全体を完遂していなかった。

この違いは重要だ。現実の攻撃は、1つの卓越したエクスプロイトに依存することはほとんどない。攻撃者は通常、標的を特定し、公開されたサービスを把握し、アクセスを獲得し、権限を昇格させ、システム内を移動し、価値の高い資産に到達する。こうした段階をつなげられるようになると、自動化の影響はより重大になる。

AISIの評価には、依然として大きな制約があった。テスト環境には、成熟した組織にあるようなアクティブな防御者や多くの防御制御が存在しなかった。評価者は、モデルの挙動がセキュリティアラートを発生させた場合にも、それを減点対象としなかった。

こうした条件下では、Mythosが十分に監視された企業を侵害できると断言することはできない。モデルは実験環境の目標を達成できても、実際のセキュリティオペレーションセンターが阻止できるだけのシグナルを発する可能性がある。

したがって、この結果は普遍的な侵害の予測ではなく、能力を示す証拠として読むべきだ。選定された条件下では、自律的な攻撃チェーンが技術的に現実性を持つことを示している。一方で、堅牢化された標的に対する信頼性を確立するものではない。

このニュアンスは、Claude Mythosのサイバーセキュリティ報道において重要だ。テストが統制されたものであったため、見出しだけではこのモデルが止められない存在、あるいは無関係な存在のいずれかに見えてしまう。どちらの解釈も、運用上のシグナルを見落としている。

防御が弱い組織は、すべての攻撃者が希少な専門知識によって制約され続けるとは考えられない。モデルは知識をパッケージ化し、手順を繰り返し、疲れることなく複数の攻撃経路を探索できる。これにより、持続的なキャンペーンを実施できる攻撃者の数が増える。

成熟した企業は、セグメンテーション、監視、アイデンティティ制御、訓練された対応によって一定の保護を得られる。ただし、その優位性は、こうした制御が一貫して機能することに左右される。見落とされたサーバーや管理されていない認証情報が、依然として侵入口になり得る。

この評価は、計画の前提を変える。セキュリティリーダーは、モデルがあらゆる防御を突破できると信じる必要はもはやない。高性能な自動化が、既存の弱点をより速く探索できることを受け入れるだけでよい。

これが、このGoogle Newsの記事が通常のベンチマーク結果以上の注目に値する理由だ。重要な閾値は、完璧な自律ハッキングではない。攻撃者の到達範囲を増幅するのに十分な能力である。

本当の競争は、機械速度と変更時間帯の対決だ

フロンティアAI時代のサイバー防御は、自動化された攻撃者が既知の弱点を利用可能な攻撃経路へ変換する前に、防御側が行動できるかどうかにかかっている。

従来の脆弱性管理プログラムでは、発見と修復が分離されている。スキャナーが問題を特定し、アナリストが検証し、担当者が事業への影響を評価し、変更審議会が修正を承認する。その後、導入は保守時間帯まで待たされることもある。

各段階には正当な目的がある。レビューされていないパッチは、本番環境を停止させたり、依存関係を壊したり、新たな脆弱性を生んだりする可能性がある。企業は、慎重なプロセスをすべて自動処理へ安全に置き換えることはできない。

問題は、遅延の累積にある。AIを活用する敵対者は、公開情報を調べ、エクスプロイトの派生版を生成し、公開資産を把握し、組み合わせを継続的に試せる。防御側の意思決定プロセスそのものが、攻撃対象領域の一部となる。

Computer Weeklyのレポートで取材を受けたセキュリティ専門家は、この圧縮に焦点を当てた。懸念は、AIがあらゆる脆弱性を生み出すことではない。すでに存在する弱点を発見し、結び付け、攻撃に活用するまでに必要な時間と労力を減らすことにある。

この仕組みは、古い情報の価値を変える。悪用に希少なスキルが必要な場合、深刻度の低い設定不備は許容できるように見えるかもしれない。同じ問題でも、モデルが漏洩した認証情報や公開された管理インターフェースと組み合わせられるなら、危険性は高まる。

自動化された偵察は、より広いカバレッジも可能にする。人間のチームは、どこに時間を使うかを決めなければならない。エージェントは多数のシステムを調査し、失敗した手法を再試行し、異なる環境向けに調整された派生版を作成できる。

これは攻撃者側のコストをなくすものではない。モデルには依然としてツール、アクセス、インフラ、指示が必要だ。出力は誤っていたり、ノイズが多かったり、検知されたりする可能性がある。長い攻撃チェーンは、制御が介入する機会も増やす。

しかし、攻撃者に完璧な信頼性は必要ない。多数の標的に対して複数回の試行を実行し、好ましい反応を示すシステムに集中すればよい。この非対称性は、規模が大きく、文書化が不十分なIT資産群を抱える組織にとりわけ大きな圧力をかける。

同じモデルは、防御側にも役立つ。セキュリティチームはAIを用いてコードをレビューし、アラートの優先順位を付け、エクスポージャーを要約し、修復策を提案できる。サプライヤーは、攻撃者より先に自社製品を調査できる。

NCSCのガイダンスは、この防御上の機会を明確に示している。サプライヤーが製品ライフサイクル全体を通じて弱点を特定し修正すれば、脆弱性のより迅速な発見はセキュリティを向上させ得る。

ただし、弱点を見つけても、それがなくなるわけではないため、この移行には危険が伴う。モデルは、エンジニアリングチームが修復を検証・導入するより速く、より大きなキューを作り出せる。発見の増加は、当初は管理されていないリスクの増加につながり得る。

これがフロンティアAIによるサイバー防御の中核的なトレードオフだ。防御側はより優れた発見ツールを得るが、攻撃者も、防御側が負う可用性の責務を抱えずに同様の加速を得る。

犯罪グループは、標的の稼働時間を維持する必要がない。病院、製造業者、金融機関は、重要システムを変更する前に、患者の安全、生産継続性、規制上の義務を考慮しなければならない。

この負担があるため、防御の自動化は攻撃の自動化をそのまま模倣することはできない。企業に必要なのは、制御された速度だ。説明責任とサービスの信頼性を維持しながら、対応サイクルを短縮しなければならない。

最も大きな圧力を受ける組織は、必ずしも最も多くAIを利用する組織ではない。不完全な資産台帳、サポート終了ソフトウェア、弱いアイデンティティ制御、遅い修復責任体制を抱える組織だ。

こうした組織にとって、フロンティアモデルは新たな種類の弱点を生むものではない。見過ごされてきた基礎的な問題を、より速く大規模に試せる機会へと変えるのである。

Claude Mythosのサイバーセキュリティ試験が取締役会に圧力をかける

Mythosの結果は、脆弱性管理の能力を、業務レジリエンスと許容される事業リスクに関する取締役会レベルの問いへと変える。

取締役会は、しばしば件数を通じてサイバーセキュリティ情報を受け取る。レポートには、未解決の脆弱性、重大な検出事項、期限超過のパッチ、インシデント、研修完了率が示される。こうした指標は、突然の急増時に組織が対応できるかどうかを隠してしまう可能性がある。

有用な資産台帳は、どのハードウェアが存在するか以上のことに答えなければならない。資産を、担当者、業務サービス、ソフトウェア依存関係、エクスポージャー、アイデンティティ、復旧要件と結び付ける必要がある。こうした関係性がなければ、チームは圧力下で優先順位を付けられない。

AIが発見量を増やすと、この可視性の問題は深刻になる。数百件の検出事項が同じ重要度を持つわけではない。脆弱な社内テストシステムと、全従業員にサービスを提供する公開アイデンティティプロバイダーでは、リスクが異なる。

セキュリティチームは、この2つを迅速に区別するために十分な文脈を必要とする。そのためには、インフラ、アプリケーション、サードパーティサービス、業務運用にまたがる最新データが欠かせない。四半期ごとに一度作成されたリストでは、継続的な意思決定を支えられない。

組織には明確な権限も必要だ。修復が収益システムに影響する場合、誰かが直ちにパッチを適用するのか、資産を隔離するのか、一時的な制御を導入するのか、エクスポージャーを受容するのかを決めなければならない。曖昧な責任分担は、防御側の縮小する対応時間を消費する。

オーストラリアのサイバー当局は、取締役会向けガイダンスでこの課題を説明している。同当局はリーダーに対し、より高速な自動攻撃を見据えて、リスクの前提、サプライチェーン依存、レガシーシステム、対応態勢を再評価するよう助言している。

このガイダンスはまた、深刻な侵害へ組み合わせられ得る小さな弱点を重視している。この考え方は、エージェント型の攻撃チェーンに直接当てはまる。危険は、例外的なゼロデイ1件ではなく、ありふれた欠陥同士の関係に潜んでいる可能性がある。

ゼロデイとは、攻撃者が悪用できる時点でベンダーの修正プログラムが提供されていないソフトウェア脆弱性である。防御側の修復選択肢が限られるため、こうした欠陥は注目を集める。しかし、多くの成功したインシデントは、依然として既知の弱点や盗まれた認証情報に依存している。

したがって、取締役会は新しいAIセキュリティ製品だけに資金を振り向けることを避けるべきだ。既存の制御は依然として中核を成す。安全な構成、迅速なアップデート、強力なアイデンティティ管理、最小権限、セグメンテーション、ログ記録、バックアップ、テスト済みの復旧である。

これらの対策は、自動化された攻撃者が探索できる実行可能な経路の数を減らす。また、1つの制御が失敗した後の被害も抑える。ブラスト半径とは、侵入が最初のアクセス地点からどこまで拡大し得るかを表す。

経営上の重要な問いは能力だ。許容できない混乱を生じさせずに、チームはいくつの緊急修正を検証・導入できるのか。最も重要な公開システムを、どれほど迅速に特定できるのか。

答えはセキュリティ部門だけに委ねられるものではない。アプリケーション所有者、インフラチーム、調達部門、法務担当者、事業責任者のすべてが、是正のスピードに影響を与える。彼らの依存関係が、緊急の変更に数時間かかるのか数週間かかるのかを決める。

知識の断片化も、もう一つの遅延要因となる。インシデント記録、アーキテクチャ上の意思決定、ベンダー通知、資産メモ、会議の結論は、しばしば別々のシステムに存在する。チームは対応中に文脈を再構築するため、多くの時間を失う。

検索可能なナレッジベースは、セキュリティ対策に取って代わるものではないものの、担当者がその文脈を取り戻す助けになる。運用上の価値は、証拠を責任ある意思決定へ結び付けることにある。

経営層は、継続性に関する前提も検証すべきだ。すべての侵害を防ぐことは現実的ではない。組織には、侵入者を封じ込め、認証情報をローテーションし、システムを復旧し、影響を受ける関係者と連絡を取りながら、重要サービスを維持する必要がある。

これが運用上の生存能力の実際的な意味である。目的を「攻撃者を永遠に締め出すこと」から、「可視性を維持し、横展開を制限し、ストレス下でも不可欠な機能を持続させること」へと移す。

Google Newsでの報道は、モデルのベンチマークに注目を集めることがある。取締役会は、その注目を、資産インベントリの正確性、パッチ対応の処理能力、インシデント対応の権限、復旧パフォーマンスに関する測定可能な問いへと変換しなければならない。

検出能力が向上しても、セキュリティ対応のバックログは悪化し得る

短期的に最大のリスクは検出結果の不足ではなく、組織が発見できる問題と安全に修復できる問題との隔たりが広がることだ。

セキュリティチームはすでに、エンドポイントツール、クラウドプラットフォーム、IDシステム、ネットワークセンサー、コードスキャナー、外部研究者からアラートを受け取っている。AIの導入は、有用な検出結果と誤検知の両方を増やし得る。

誤検知とは、危険に見えるものの、実際には悪用可能な状態を示していない警告である。アナリストはなお、その検証に時間を費やさなければならない。そのため大量のアラートは、本物の緊急事態に必要な同じ対応能力を消費しかねない。

モデルは、文脈依存の欠陥よりも、パターン化されたバグを容易に特定できる場合がある。パターンバグには、インジェクションの弱点、露出したシークレット、安全でない依存関係、繰り返される設定ミスが含まれる。大規模な学習データセットには、こうした構造の例が多く含まれている。

ビジネスロジック上の欠陥には、異なる種類の理解が求められる。モデルは、アプリケーションが何を許可すべきか、どのユーザー間の関係が重要か、技術的には有効な操作がいつビジネス上の意図に反するのかを推論しなければならない。

この制約は、自律型セキュリティに関する包括的な主張を弱める。ベンチマークは、選定されたタスクにおける能力を示せても、複雑なエンタープライズ全体で信頼できる判断力を証明するものではない。実環境には、文書化されていない例外、矛盾するポリシー、壊れやすい統合が存在する。

セキュリティリーダーは、品質保証と脆弱性管理も区別しなければならない。品質保証は、ソフトウェアが意図された機能を果たすかを問う。脆弱性管理は、誰かがそれを悪用できるか、またどのような損害が生じるかを問う。

改善されたモデルは両方の活動を支援できるが、両者の問いを一つにすることはできない。正しく動作する機能でも、機密データを露出させることがある。安全なコード変更でも、重要なワークフローを中断させる可能性がある。

ストレステストを求める議論は、この隔たりを扱っている。企業が重大な意思決定をモデルに依存する前に、モデルは現実的な敵対的条件にさらされるべきだ。

こうしたテストには、不完全な情報、操作された入力、矛盾する証拠、利用不能なサービス、活動中の防御側を含めるべきである。また、モデルがアラートを生成するか、禁止された操作を試みるか、安全でない変更を推奨するかも測定すべきだ。

人間による監督は依然として不可欠だが、この表現には精度が必要である。数千件の推奨を受け取る人が、その一つ一つを有意義にレビューすることはできない。作業量が注意力を超えると、監督は形式的なものになる。

効果的な監督には、リスクベースのしきい値が必要だ。影響の小さい操作は、検証済みの自動化ポリシーに従わせることができる。影響の大きい変更には、特にIDシステム、インターネット公開サービス、重要業務に影響する場合、適格なレビューを求めるべきである。

組織にはロールバック手段も必要である。自動化された是正は、障害や予期しない依存関係を招く可能性がある。すべての迅速な修正には、検証基準、監視、変更を元に戻す実用的な方法が必要だ。

したがって、懐疑論者の主張には十分な根拠がある。Mythos Previewは、能動的な防御ツールのない統制環境で成功した。その性能は、フロンティアモデルが強化されたエンタープライズを一貫して侵害できることを示すものではない。

3回の成功ランは、7回のランが完全な連鎖を完了しなかったことも意味する。この失敗率は、信頼性を評価する際に重要だ。一方で、攻撃者が多数の脆弱な標的に対して低コストで試行を繰り返せる場合には、その重要性は相対的に低くなる。

GPT-5.5との比較も、別の注意点を加える。報告された評価によれば、Mythosは3回のランを完了し、GPT-5.5は2回を完了した。このわずかな差は、恒久的な競争優位を示す主張を支えるものではない。

モデルの能力は急速に変化し、ベンチマークの性能は、足場となる仕組み、ツール、プロンプト、トークン予算、環境設計に左右され得る。企業が調達を完了する前に、リーダーボードが時代遅れになることもある。

したがって、Claude Mythosのサイバーセキュリティ計画は、特定のベンダーではなく能力クラスに焦点を当てるべきである。Anthropicの結果は、より長い技術的ワークフローを継続できるエージェントへ向かう、より広範な変化の目立つ指標だ。

OpenAIは後に、今後登場するモデルAstraが、同社のCriticalサイバーセキュリティしきい値に近づく可能性があると述べた。同社はこのしきい値を、強化されたシステムに対する自律的なゼロデイ悪用、または強化された標的に対する新規のエンドツーエンド攻撃を中心に定義している。

OpenAIの開示で同社は、隔離、監視、モデル重みの保護、暗号化、ツール制限を強化したと述べた。また、そうした制御を欠くAstraの活動を停止した。

これらは企業自身が報告した判断であり、Critical能力の独立した証明ではない。それでもこの開示は、フロンティア研究所が、より強い封じ込めを必要とすると考えるモデルを巡って、内部セキュリティを調整していることを示している。

エンタープライズの購入者にとって、その意味は心地よいものではない。防御的AIツールは改善するだろうが、信頼はベンダーの能力主張だけから生まれるものではない。購入者には、精度、失敗モード、監査可能性、権限、封じ込めに関する証拠が必要だ。

準備不足の組織に大量の結果を送り込む高速スキャナーは、リスクを悪化させ得る。有用な成果は、検出結果を増やすことではない。最も重要な資産に対する、検証済み是正の割合を高めることだ。

サイバー保護は定期レビューから継続的な即応態勢へ移行しなければならない

防御側にはより迅速な運用モデルが必要だが、すべてのセキュリティ操作を自動化するのではなく、意思決定を選択的に加速すべきである。

第一の優先事項は、攻撃対象領域の縮小だ。組織は未使用のサービスを削除し、不必要なインターネット公開を閉じ、放棄されたアカウントを廃止し、管理インターフェースを制限すべきである。排除される経路が一つ増えるごとに、自動化された探索の機会は減る。

第二の優先事項はIDである。攻撃者は、有効なアクセスが他の制御を回避できるため、しばしば認証情報を狙う。強力な認証、限定的な権限、短期間で失効する認証情報、監視されたサービスアカウントにより、盗まれたアクセスの有用性を下げられる。

AIエージェントにも同じ規律が求められる。各エージェントには、明確なID、限定された目的、そのタスクに必要な最小限の権限を与えるべきだ。共有認証情報は、説明責任と封じ込めをはるかに難しくする。

第三の優先事項は、資産と依存関係の可視性である。チームは、何が公開されているのか、どの事業サービスがそれに依存しているのか、誰が所有しているのか、どのように隔離できるのかについて、常に最新の答えを持つ必要がある。所有者を伴わない発見は遅延を生む。

第四の優先事項は、是正の処理能力だ。セキュリティリーダーは、検証済みの検出結果から検証済みの修正までの全経路を測定すべきである。その経路には、優先順位付け、テスト、承認、展開、監視、完了が含まれる。

中央値の完了時間だけでは、危険な外れ値を隠しかねない。チームは、インターネット公開の重大な弱点、ID脆弱性、積極的に悪用されている欠陥、代替制御のないシステムを分けて追跡すべきである。

第五の優先事項はセグメンテーションである。ネットワークとクラウド環境は、一つの侵害されたワークロードが無制限のアクセスにつながらないようにすべきだ。図面は実際の構成と異なることが多いため、セグメンテーションもテストする必要がある。

第六の優先事項はインシデント訓練である。演習では、より高速な偵察、複数の同時インシデント、侵害された認証情報、ノイズの多いAI生成活動を想定すべきである。チームは、証拠がなお不確実な状況での意思決定を練習する必要がある。

これらの演習には事業側の参加者が必要だ。顧客向けプラットフォームを中断するか、製造システムを隔離するか、災害復旧を発動するかを、セキュリティ担当者だけで決めることはできない。正しい対応は運用上の影響に左右される。

迅速対応モデルには、事前承認済みのプレイブックも必要である。チームは、既知のシナリオに対する封じ込め措置をインシデント発生前に定義できる。事前承認は、数分が重要な局面での交渉を減らす。

AIは優先順位付けを支援できるが、その推奨では裏付けとなる証拠を示すべきである。アナリストは、影響を受ける資産、悪用可能性、公開状況、事業上の重要性、依存関係、確信度を確認する必要がある。

ここに、フロンティアAIによるサイバー保護と通常のツール導入との違いがある。組織が追加するのは、単なるダッシュボードではない。証拠がどのように意思決定へ移り、その意思決定がどれだけ速く本番環境に到達するかを変えるのである。

セキュリティ供給者も、関連する課題に直面している。改善された発見を、顧客が展開できる修正へ変換しなければならない。安全な是正ガイダンスを示さずに欠陥を発見しても、ボトルネックを移し替えるだけである。

ソフトウェアベンダーは、明確なアドバイザリ、機械可読な影響対象バージョンのデータ、テスト済みパッチ、緩和策、ロールバック手順を提供することで支援できる。また、依存関係と悪用状況を巡る不確実性も減らすべきだ。

クラウドプロバイダーとマネージドサービスは、一部の保護を中央で展開できる。しかし、顧客は依然としてID、構成、アプリケーション、データを管理している。攻撃者の行動が速くなるほど、責任共有の要求も厳しくなる。

開発者にも、より早いフィードバックが必要だ。セキュリティレビューはリリース直前だけでなく、設計とコーディングの段階で行うべきである。AI支援によるコード生成は出力量を増やし、それによって総攻撃対象領域が広がる可能性がある。

コード量が増えても、1行当たりの欠陥率が自動的に高くなるわけではない。それでも、欠陥、依存関係、サービス、構成経路の総数は増え得る。セキュリティの対応能力は、その生産量に合わせて拡張しなければならない。

チームは、こうしたレビューから得られた意思決定と証拠を保存すべきである。実用的なエンジニアリングワークフローは、脆弱性が既知のコンポーネントに影響した際の再調査を減らせる。

ただし、ナレッジツールに、利便性だけを理由として無制限のシークレットを保管させてはならない。組織は、インシデント対応を支えるあらゆるシステムにアクセス制御、保持ルール、データ分類を適用しなければならない。

継続的な即応態勢には、最終的に規律あるフィードバックループが必要となる。検出結果は資産記録を更新すべきであり、インシデントは検出を改善すべきであり、失敗したパッチはテストを洗練させるべきであり、演習はプレイブックと所有責任を変えるべきである。

この作業は、自律防御エージェントを購入することほど劇的には聞こえない。しかし、フロンティアモデルが最も効果的に突く弱点、すなわち問題を知ることと行動に移すことの間にある隔たりに対処する。

防御側が追随できるかを示す3つのシグナル

次の局面を左右するのは、現実的なモデル評価、測定可能な是正能力、そして高度なサイバーエージェントを取り巻く封じ込めルールだ。

最初のシグナルは、防御が施されたサイバーレンジにおける独立した性能評価である。今後の評価には、能動的な監視、セグメンテーション、デコイ、現実的なアイデンティティ管理、そして攻撃を中断できる防御側の存在を含めるべきだ。

こうした条件下でもモデルが長い攻撃チェーンを完遂し続けるなら、企業が準備を加速すべき根拠は強まる。成功率が大きく低下するなら、現在のベンチマークをめぐる見出しには、より慎重な表現が必要になる。

評価レポートでは、解釈を支えられるだけの方法論を開示すべきだ。有用な詳細としては、タスク設計、利用可能なツール、ネットワークアクセス、実行回数、トークン予算、生成されたアラート、人間による介入などが挙げられる。

2つ目のシグナルは、是正の処理能力である。組織やセキュリティベンダーは、AIが発見した脆弱性が検証済みの修正につながっているのか、それともより大きな未処理案件の山に積み上がっているだけなのかを示すべきだ。

開示件数の増加は、防御力の向上を示す証拠ではない。より重要なのは、停止率を高めたり、繰り返し発生するリグレッションを招いたりせずに、影響の大きいエクスポージャーをより迅速に解消できているかどうかだ。

取締役会は、外部に露出した重要システムのパッチ適用遅延、資産カバレッジ、例外の経過日数、復旧テストの結果を注視すべきだ。こうした指標は、運用モデルがプレゼンテーションの域を超えて変化しているかを明らかにする。

発見能力とともに是正能力も拡大するなら、防御側は優位性を維持できる。発見だけが加速し、変更能力が横ばいのままであれば、自動化された偵察は、既知の攻撃機会が拡大し続ける環境に直面することになる。

3つ目のシグナルは、最先端の研究所がサイバー能力を持つモデルへのアクセスをどのように制御するかである。重要な対策には、サンドボックス化、ネットワーク制限、アイデンティティ管理、監視、外部テスト、確実な中断手段が含まれる。

アクセス方針も重要だ。高度な能力へのゲーティングは安易な悪用を減らし得る一方で、資金力のある組織と同じツールを小規模な防御側が受け取れなくなる可能性がある。これはセキュリティの分配という問題を生む。

研究所は、モデルの重み、評価インフラ、特権ツールも保護しなければならない。管理されたモデルであっても、攻撃者に盗まれたり、安全策を解除されたり、制限のない運用アクセスを得られたりすれば、広範な危険をもたらし得る。

この3つのシグナルは相互に関連している。現実的なテストは能力を明らかにする。企業の是正能力はエクスポージャーを左右する。研究所による封じ込めは、誰がどの監督のもとでその能力を活用できるかに影響する。

Google Newsの見出しは、最先端AIの進展に対するサイバー防御から始まった。より深い教訓は、防御は単一の製品や単一のモデル提供者から生まれるものではないということだ。

必要なのは、証拠から安全な行動に至るまでの経路を短縮することである。そのためには、より良い資産インベントリ、より明確な責任分担、制約されたアクセス、訓練された封じ込め、そして継続的に運用できる是正システムが求められる。

残る不確実性は大きい。Mythos Previewは、成熟した企業が備える完全な防御環境に直面していない。モデルの性能は依然として、実行ごと、タスクごと、ツールごと、運用条件ごとにばらつきがある。

完璧な確実性を待つことも、依然としてリスクの高い選択だ。特に脆弱な標的に対しては、攻撃者は部分的な能力でも利益を得られる。モデルの挙動にばらつきがあるからこそ、防御側には信頼できるプロセスが必要になる。

セキュリティリーダーは今、率直な問いを投げかけるべきだ。通常の変更プロセスで1件を完了する前に、自組織は複数の緊急の攻撃経路を検証し、優先順位を付け、封じ込めることができるだろうか。

答えが不明確なら、次に必要なのは、また別の包括的なAI戦略会議ではない。対応経路をテストし、最も遅い意思決定を特定し、次のモデルが登場する前にボトルネックを1つ取り除くことだ。